Probabilitati Si Statistica Matematica

UNIVERSITATEA TITU MAIORESCU BUCURETI
FACULTATEA DE INFORMATIC
PROBABILITI I STATISTIC
MATEMATIC
Suport didactic pentru cursul la nvmnt la
distan
Titular de disciplin: Confereniar univ.dr.ing. CTLIN APOSTOLESCU

CUPRINS
MODULUL 1
1.1.Cmp de evenimente
1.2.Probabilitate pe un cmp de evenimente
1.3.Exemple de cmpuri de evenimente
Exemple lucrate i probleme rezolvate
Teme de control
MODULUL 2
2.1.Variabile aleatoare reale
Repartiia unei variabile aleatoare reale
2.2.Funcia de repartiie a unei variabile aleatoare reale
2.3.Variabile aleatoare reale discrete
2.4.Variabile aleatoare reale continue
2.5.Variabile aleatoare n-dimensionale
Repartiia unei variabile n-dimensionale
2.6.Variabile aleatoare bidimensionale discrete
2.7.Variabile aleatoare bidimensionale continue
2.8.Funcii de variabile aleatoare
Teme de control
MODULUL 3
3.1.Valoarea medie a unei variabile aleatoare reale (a unei repartiii
pe R)
3.2.Dispersia unei variabile aleatoare reale (a unei repartiii pe R)
3.3.Momente ale variabilelor aleatoare reale (ale repartiiilor pe R)
3.4 Caracteristici ale variabilelor aleatoare bidimensionale (ale
repartiiilor pe R 2 )
3.5.Coeficientul de corelaie
3.6.Valori medii condiionate.Drepte de regresie
Teme de control
MODULUL 4
4.1.Repartiii fundamentale discrete unidimensionale
4.2.Repartiii fundamentale continue unidimensionale
4.3.Repartiia normal bidimensional
Teme de control
MODULUL 5
5.1.Convergena aproape sigur
5.2.Convergena n probabilitate
5.3.Convergena n medie de ordinul p
5.4.Convergena n repartiie
5.5.Legi ale numerelor mari
Teme de control
MODULUL 6
6.1.Funcia caracteristic
6.2.Funciile caracteristice ale repartiiilor fundamentale
6.3.Teorema limit central
Teme de control
MODULUL 7
7.1.Metoda seleciei
7.2.Funcia de repartiie de selecie
7.3.Caracteristici de selecie
7.4.Selecii din populaii normale
Teme de control
MODULUL 8
8.1.Estimaii punctuale
Estimaii nedeplasate i estimaii deplasate
Estimaii consistente
8.2.Estimarea parametrilor repartiiilor statistice prin metoda
momentelor
8.3.Estimarea prin metoda verosimilitii maxime
8.4.Estimarea prin intervale de ncredere
Teme de control
MODULUL 9
9.1.Tipuri de ipoteze.Riscuri.Puterea unui test.
9.2.Verificarea ipotezelor statistice asupra parametrilor legii normale
Teme de control
MODULUL I
1.Cmp de evenimente
2.Probabilitate pe un cmp de evenimente
3.Exemple de cmpuri de probabilitate
4.Exemple lucrate si probleme rezolvate
5.Teme de control
Teoria Probabilitatilor, ca teorie de sorginte empirica, are ca obiect mode-

larea matematica si studiul modelelor matematice ale fenomenelor naturale a
caror forma de manifestare (n plan real sau abstract) include o componenta
aleatoare si care, n plus, prezinta stabilitate statistica, adica prezinta regu-
laritate a frecventei de aparitie a rezultatelor posibile ale producerii lor, la
reproducerea repetata de un mare numar de ori.
Elementele de baza prin care s-a constituit teoria sunt transpuneri ale con-
statarilor obiective n observarea desfasurarilor acestor fenomene.Pe de alta
parte, continutul dezvoltat din motive intrinseci ale teoriei matematice reecta
fenomenul aleator.
n principiu, studiul legitatilor de manifestare ale fenomenului aleator se
face asupra experimentului aleator (experientei aleatoare).Acesta consta n pro-
ducerea intentionata a fenomenului, prin actiunea cauzelor care l provoaca si
crearea conditiilor esentiale care i inuenteaza desfasurarea.Consideram nsa,
ca rezultatul unui astfel de experiment nu este determinat de acestea, ci depinde
si de situatii incidentale, de circumstante si contingente care nu afecteaza es-
ential desfasurarea, lucru care-i confera atributul de ntmplator.Se presupune
ca fenomenul aleator se poate reproduce n acest mod de un numar mare de ori,
adica se pot produce un numar mare de experimente aleatoare care i corespund
astfel.O realizare a unui experiment aleator se numeste proba.
Notiunile primare ale teoriei sunt acelea de eveniment si de probabilitate a
unui eveniment.Un eveniment asociat unui experiment aleator descrie un aspect
al starii nale din manifestarea fenomenului cu rezultate posibile ale producerii
acestuia.Probabilitatea unui eveniment reecta n forma cantitativa posibilitatea
de aparitie a evenimentului, cuanticnd sansa lui de aparitie.
1.Cmp de evenimente
Urmatoarele exemple clasice de experimente aleatoare vor releva elemente si
caracteristici ale structurii modelului matematic al fenomenului aleator pe care
l descriu.
[1.1]Exemplu
Consideram experimentul aleator care consta n aruncarea unei monezi.Rezultatele
posibile ale experimentului sunt S:"aparitia stemei" si B:"aparitia banului".Pe
lnga aceste evenimente, care descriu starea nala a manifestarii fenomenului,
cu rezultate precise ale producerii lui, mai putem interesati n acest experi-
ment de evenimentul care corespunde situatiei sigure a starii nale, pe care l
1
numim evenimentul sigur si l vom reprezenta cu multimea = fS; Bg, con-
stituita prin disjunctia logica a rezultatelor posibile.Urmeaza ca orice multime
constituita cu elementele care nu sunt n , notata ?, va reprezenta evenimentul
imposibil, si va descrie orice situatie imposibila a starii nale din manifestarea
fenomenului.
[1.2]Exemplu
Consideram experimentul aleator care consta n n repetari independente
ale experimentului precedent.Se pot preciza urmatoarele rezultate posibile ale
experimentului: A0 :"aparitia stemei de 0 ori", A1 :"aparitia stemei de 1 ori",
A2 :"aparitia stemei de 2 ori", ..., An :"aparitia stemei de n ori".Putem considera
ca evenimentul sigur este reprezentat de multimea = f0; 1; 2; :::; ng, aceasta
ind ind n corespondenta biunivoca cu multimea fA0 ; A1 ; A2 ; :::; An g.n acest
experiment mai putem interesati de evenimente care descriu aspecte partiale
ale starii nale, ca:
A(k) :"aparitia stemei de cel mult k ori", k n.
A(k) :"aparitia stemei de cel putin k+1 ori" k < n
B (k;p) :"aparitia banului de cel putin k ori si de cel mult p ori", 1 k < p < n.
D2 :"numarul de aparitii ale stemei este divizibil cu 2"
Acestea se realizeaza daca rezultatul experimentului este unul dintre el-
(k)
ementele multimii A(k) = f0; 1; ::; kg, respectiv A = fk + 1; k + 2; :::; ng,
B (k;p) = f0; 1; :::; k 1g [ fp + 1; p + 2; :::; ng, D2 = 2; 4; :::; 2 n2 .
[1.3]Exemplu
Consideram experimentul aleator care consta n aruncarea monedei pna la
aparitia stemei, adica consta ntr -o succesiune de repetari independente ale
experimentului din Exemplul 1, care poate si innita.Rezultatele posibile ale
experimentului compus sunt succesiuni nite de rezultate posibile ale experimen-
tului de aruncare a monedei, S; BS; BBS; BBBS; :::; BB:::BS; :::.Astfel, eveni-
mentul sigur va reprezentat de multimea = fS; BS; BBS; BBBS; :::; BB:::BS; ::::g.Mai
putem interesati de evenimente ca:
A(k) :"stema apare n primele k aruncari"
A(k) :"stema apare dupa primele k aruncari"
A(k;1) :"stema apare dupa primele k aruncari sau d upa primele k+1 aruncari
sau dupa primele k+2 aruncari..."
B (k;1) :"banul apare n primele k aruncari sau n primele k+1 aruncari sau
n primele k+2 aruncari, ..."
Acestea se realizeaza daca rezultatul experimentului este unul dintre ele-
mentele multimii A(k) = S; BS; BBS; :::; BB:::B S , respectiv A(k) = BB:::B S; BB:::B S; ::: ,
k 1 k k+1
A(k;1) = A(k) [ A(k+1) [ A(k+2) [ :::::, B (k;1)

= A(k) \ A(k+1) \ A(k+2) \ :::.
[1.4]Exemplu
Consideram experimentul aleator care consta n aruncarea unui zar.Rezultatele
posibile ale experimentului sunt A1 :"aparitia fetei cu numarul 1", A2 :"aparitia
fetei cu numarul 2", ..., A6 :"aparitia fetei cu numarul 6", deci putem sa con-
sideram ca evenimentul sigur este reprezentat de multimea = f0; 1; 2; 3; 4; 5; 6g.Mai
putem interesati de evenimente ca:
2
Ak :"aparitia fetei cu numarul k"
A(k) :"aparitia unei fete cu un numar mai mare dect k", 1 k < 6,
iar acestea se realizeaza daca rezultatul experimentului este unul dintre ele-
mentele multimii Ak = fkg, respectiv A(k) = fk + 1; k + 2; :::; ng.
[1.5]Exemplu
Consideram experimentul aleator care consta n deplasarea unei particule
pe o suprafata S a unui plan , al carui scop este studiul pozitiei particulei la
diferite moment oarecare de timp t.Rezultatele posibile ale experimentului sunt
PA :"la momentul t particula se aa n punctul A", A 2 S, deci evenimentul sigur
este reprezentat de multimea S .MAi putem interesati de evenimente ca
:
PA :"la momentul t particula se aa n suprafata A S",
reprezentate de multimile A S.
Modelul abstract al fenomenului aleator se constituie ca structura matem-

atica dupa cum urmeaza:
(i) Primul element al lui este multimea a rezultatelor posibile ale pro-
ducerii fenomenului, precizate ca efecte directe ale manifestarii acestuia.Orice
element ! 2 se va numi eveniment elementar (sau eventualitate).Este resc
sa consideram ca obtinerea a cel putin unuia dintre rezultatele posibile este
evenimentul care descrie situatia sigura a starii nale n desfasurarea [
fenomenu-
lui, fapt pentru care n modelul matematic asociat acestuia, = f!g va
!2
reprezenta evenimentul sigur.
(ii) Un eveniment care descrie o situatie n starea nala cu rezultate care nu
sunt n va reprezentat de multimea ? si se va numi eveniment imposibil.
(iii) Orice eveniment care se poate asocia fenomenului este determinat de o
multime de rezultate posibile favorabile aparitiei lui, deci va reprezentat de
un element din P ( ).
(iv) Pentru un fenomen aleator cu multimea a rezultatelor posibile nita,
sau innita si numarabila este natural sa consideram P ( ) ca ind multimea
tuturor evenimentelor asociate fenomenului.nsa, daca este multime innita
si nenumarabila, alegerea lui P ( ) pentru a desemna aceasta multime de eveni-
mente creaza deseori dicultati matematice insurmontabile n modelarea matem-
atica a fenomenului, care tin n primul rnd de distribuirea rezonabila a proba-
bilitatii ntre toate elementele ei.
n construirea modelului matematic al fenomenului F ne limitam la a asocia
acestuia o familie K de evenimente din P ( ), care descriu aspecte ale con-
secintelor producerii lui F de care suntem interesati si care contine toate eveni-
mentele care se pot considera relativ la aceste aspecte, n sensul ca este necesar
ca familia K, constituita cu aceste elemente sa contina si ? si sa e parte
stabila a lui P ( ) fata de operatiile cu multimi.Exemplul 3 sugereaza extin-
derea proprietatii de stabilitate relativ la operatiile de reuniune si intersectie
numarabile, prin adoptarea structurii de corp borelian al lui , care satisface
astfel necesitatile matematice ale modelului, relative la K.
3
[1.6]Deni tie.Fie o multime.O familie K P ( ) este corp borelian al lui
(sau - corp) daca:
(a) 2 K
(b) A 2 K implica CA 2 K
(c) A1 ; A2 ; :::; An ; ::: 2 K implica A1 [ A2 [ ::: [ An [ ::: 2 K .
Proprietatile urmatoare sunt consecinte directe ale denitiei.
[1.7]Propozi tie.Fie K un corp borelian al lui .Sunt adevarate armatiile:
(d) ? 2 K.
(e) A1 ; A2 ; :::; An ; ::: 2 K implica A1 \ A2 \ ::: \ An \ ::: 2 K .
(f) A; B 2 K implica A n B 2 K.
Demonstratie:
(d)Din (a) si (b) rezulta C 2 K.
(e)Daca A1 ; A2 ; :::; An ; ::: 2 K, din (b) avem CA1 ; CA2 ; :::; CAn ; ::: 2 K, apoi
din (c) avem CA1 [CA2 [:::[CAn [::: 2 K si din (b) C (CA1 [ CA2 [ ::: [ CAn [ :::) 2
K, deci A1 \ A2 \ ::: \ An \ ::: 2 K .
(f)Daca A; B 2 K, din (b) avem A; CB 2 K si conform (b), A \ CB 2 K.
[1.8]Deni tie.Fie F un fenomen aleator.Un cuplu ( ; K) unde este multimea
evenimentelor elementare asociate lui F, iar K este un corp borelian al lui se
numeste cmp de evenimente ( sau cmp borelian de evenimente).
n cazul n care este multime nita, conditia (c) din Denitia 1.5 se refera n
cele din urm a la o familie nita de multimi si la o reuniune nita.n acest caz, dar
si n cazul n care este innita si conditia (c) este sucienta n aceasta forma
scopului studiului probabilistic, se poate adopta ca model cmpul de evenimente
n care familia evenimentelor asociate fenomenului este corp de parti.
[1.9]Deni tie.Fie o multime.O familie K P ( ) este corp de parti al
lui (sau algebra) daca:
(a) 2 K
(b) A 2 K implica CA 2 K.
(c) A1 ; A2 ; :::; An 2 K implica A1 [ A2 [ ::: [ An 2 K .
Evident, un corp borelian al lui este corp de parti al lui
Proprietatile urmatoare sunt consecinte imediate ale denitiei.
[1.10]Propozi tie.Fie K un corp de parti al lui :Sunt adevarate armatiile:
(d) ? 2 K
(e) A1 ; A2 ; :::; An 2 K implica A1 \ A2 \ ::: \ An 2 K .
(f) A; B 2 K implica A n B 2 K.
Demonstratie:
Analog cu Propozitia 1.6.
[1.11]Deni tie.Fie ( ; K) un cmp de evenimente ( K un corp de parti) si
A, B 2 K.
(a)Reuniunea evenimentelor A si B este evenimentul din K notat A[B, care
se realizeaza atunci si numai atunci cnd cel putin unul dintre evenimentele A si
B se realizeaza.Reuniunii evenimentelor A si B i corespunde multimea A [ B.
(b)Intersectia evenimentelor A si B este evenimentul din K notat A \ B,
care se realizeaza atunci si numai atunci cnd amndoua evenimentele A si B
se realizeaza.Intersectiei evenimentelor A si B i corespunde multimea A \ B.
Daca A \ B = ?, atunci A si B se numesc evenimente imcompatibile.
4
(c)Evenimentul contrar lui A sau evenimentul non A este evenimentul din
K, notat CA sau A, care se realizeaza atunci si numai atunci cnd A nu se
realizeaza.Evenimentului contrar lui A i corespunde multimea CA.
Deducem ca proprietatile operatiilor de reuniune, intersectie si negatie din-
tre evenimente sunt transpuneri n limbaj de evenimente ale operatiilor core-
spunzatoare dintre multimi.
[1.12]Deni tie.Fie ( ; K) un cmp de evenimente ( K un corp de parti) si
A, B 2 K.
(a)Spunem ca evenimentul A implica evenimentul B (sau ca evenimentul
B este implicat de evenimentul A) si scriem A B , daca orice eveniment
elementar favorabil producerii lui A este favorabil si producerii lui B.Relatiei de
implicatie dintre evenimente i corespunde relatia de incluziune A B dintre
multimile prin care se reprezinta.
(b)Spunem ca evenimentele A si B sunt echivalente si scriem A = B daca
A B si B A.Relatiei de echivalenta dintre evenimente i corespunde relatia
de egalitate dintre multimile prin care se reprezinta.
Relatia A B este o relatie de ordine pe K, iar relatia A = B este o relatie
de echivalenta pe K.
Evident, daca A 2 K, atunci ? A
[1.13]Propozi tie.Sunt adevarate urmatoarele relatii, cu caracter dual, din-
tre evenimente:
(a) A [ A = A; A \ A = A (legile de idempotenta)
(b) A [ B = B [ A; A \ B = B \ A (comutativitatea)
(c) (A [ B) [ C = A [ (B [ C); (A \ B) \ C = A \ (B \ C) (asociativitatea)
(d) A [ (B \ C) = (A [ B) \ (A [ C); A \ (B [ C) = (A \ B) [ (A \ C)
(distributivitatea)
(e) (A \ CA) [ B = B; (A [ CA) \ B = B (complementaritatea)
(f) A [ (B \ A) = A; A \ (B \ A) = A (absorbtia)
(g) C (A [ B) = CA \ CB; C (A \ B) = CA [ CB (legile lui De Morgan)
(h) daca A B, atunci A [ C B [ C si A \ C B \ C (legile monotoniei)
Vom extinde operatiile de reuniune si intersectie la o familie numarabila de
evenimente dintr-un cmp borelian de evenimente.
[1.14]Deni tie.Fie ( ; K) un cmp de evenimente si (Ai )i2I o familie numarabila
de evenimente din K.
(a)Numim reuniune a evenimentelor Ai ; i 2 I, evenimentul B 2 K, cu
proprietatile:
(i) Ai B (8) i 2 I.
(ii) daca Ai [ D (8) i 2 I, atunci B D.
Notam B = Ai .Acest eveniment este reprezentat de multimea [ Ai =
i2I
i2I
fx=9i 2 Ia:^{x 2 Ai g :
(b)Numim intersectie a evenimentelor Ai ; i 2 I, evenimentul C 2 K, cu
proprietatile:
(i) C Ai (8) i 2 I.
(ii) daca D Ai (8) i 2 I, atunci D C.
5
\
Notam C = Ai .Acest eveniment este reprezentat de multimea \ Ai =
i2I
i2I
fx=x 2 Ai ; 8i 2 Ig.
Operatiile de reuniune si intersectie numarabile de evenimente sunt comuta-
tive si asociative.Propriettile duale ale reunilor si intersectiilor nite de eveni-
mente si legile lui De Morgan ramn adevarate si n cazul reuniunilor si inter-
sectiilor numarabile.
[1.15]Propozi tie.Fie ( ; K) un cmp de evenimente si (Ai )i2I o familie
numarabila de evenimente din K.
Sunt adevarate egalitatile:
(a) A [ [ Ai = [ (A [ Ai ); A \ \ Ai = \ (A \ Ai )
i2I i2I i2I i2I
(c) A [ \ Ai = \ (A [ Ai ); A \ \ Ai = [ (A \ Ai ), pentru orice

i2I i2I i2I i2I
A 2 K.
(d) CE [ Ai = \ (CE Ai ); CE \ Ai = [ (CE Ai )
i2I i2I i2I i2I
[1.16]Deni tie.Fie ( ; K) un cmp de evenimente.Familia de evenimente
(Ai )i2I din K, cu I multime cel mult numarabila se numeste sistem complet de
evenimente daca:
(a) A
[i \ Aj = ?, pentru i 6= j, i; j 2 I.
(b) Ai = :
i2I
(adica, familia de parti (Ai )i2I este o partitie a multimii ).
2.Probabilitate pe un cmp de evenimente

n experimentele eleatoare modelate prin cmpuri nite de evenimente, n
care acordam sanse egale de aparitie tuturor evenimentelor elementare, este nat-
ural sa consideram ca frecventa relativa de aparitie a evenimentului, ca raport
dintre numarul cazurilor favorabile realizarii lui si numarul rezultatelor egal
posibile, reprezinta n descriere cantitativa posibilitatea de realizare a eveni-
mentului.Cele mai multe experiente aleatoare ne pun n fata unor modele de
tip diferit de acesta, n care frecventele relative de aparitie ale unui eveniment
A, n (A) = Nnn(A) , nregistrate n n probe independente ale experimentului,
indica o valoare limita cnd n ! 1, validata de teoria matematica ca reprezen-
tnd probabilitatea lui A.Astfel, cercetarile experimentale conduc la constituirea
conceptului de probabilitate, potrivit caruia frecventele relative de aparitie ale
evenimentului ntr-un numar mare de probe sunt doar aproximari (n sens sta-
tistic, al rezultatelor realizate) ale probabilitatii lui.De asemenea, ele conduc la
urmatoarea determinare a notiunii de probabilitate, ca functie de evenimente
care se asociaza modelului teoretic al experimentului aleator.
[2.1]Deni tie.Fie ( ; K) un cmp de evenimente.Numim probabilitate pe
( ; K) o functie P : K ! [0; 1], cu proprietatile:
(a) P ( ) = 1
6
1
! 1
[ X
(b) P An = P (An ), pentru orice familie numarabila (An )n 1 de
n=1 n=1
evenimente din K, cu Ai \
Aj = ?, pentru i 6= j.
(adica, P este numarabil aditiva sau - aditiva).
[2.2]Deni tie.Fie ( ; K) un cmp de evenimente si P : K ! [0; 1] o proba-
bilitate.Tripletul ( ; K; P ) se numeste cmp de probabilitate.
n cazul cmpurilor nite de evenimente, este sucient sa cerem ca P sa e
functie nit aditiva.
[2.3]Deni tie.Fie ( ; K) un cmp nit de evenimente, cu familia K a eveni-
mentelor corp de parti.Numim probabilitate pe ( ; K) o functie P : K ! [0; 1]
cu proprietatile:
(a) P ( ) = 1 !
n
[ Xn
(b) P Ak = P (Ak ), pentru orice familie nita (An )k=1;n din K,
k=1 k=1
cu Ai \ Aj = ?, pentru i 6= j.
n acest caz, cmpul ( ; K; P ) se numeste cmp de probabilitate n sens
extins.
Urmatoarele proprietati sunt consecinte imediate ale Denitiei 2.1.
[2.4]Propozi tie. Fie ( ; K; P ) un cmp de probabilitate.Sunt adevarate
armatiile:
(a) P (?) = 0 !
n
[ Xn
(b) P Ak = P (Ak ), pentru orice familie nita (An )k=1;n din K,
k=1 k=1
cu Ai \ Aj = ?, pentru i 6= j.
(orice probabilitate - aditiva este nit aditiva).
n particular, P (CA) = 1 P (A) :
(c)Daca A, B 2 K, B A, atunci P (A n B) = P (A) P (B).
n particular, P!(B) P (A) si P (CA) = 1 P (A).
1
[ X1
(d) P An P (An ), pentru orice familie numarabila (An )n 1 de
n=1 n=1
evenimente din K.
(proprietatea de subaditivitate
! numarabila ).
[n X n
n particular, P Ak P (Ak ), pentru orice familie nita (An )k=1;n
k=1 k=1
din K
(proprietatea de subaditivitate nita ).
(e)Daca (An )n 1 este o familie numarabila de evenimente din K, astfel nct
1
!
[
P (An ) = 0 (8) n 1, atunci P An = 0.
n
! n=1
[
n particular, P Ak = 0, daca P (Ak ) = 0 (8) k = 1; n.
k=1
(f) (formula lui P oincare)
7
n
! !
[ X card(I)+1
\
Daca A1 , A2 , :::, An 2 K, atunci P Ak = ( 1) P Ai .
k=1 I f1;2;:::;ng i2I
Demonstratie:
(a)Pentru An = ? (8) n 1, din 2.1.(b) avem P (?) = P (?) + P (?) + .
Singura valoare din [0; 1] care face aceasta egalitate posibila este P (?) = 0.
(b)Completam A1 , A2 , :::, An cu Ak = ? pentru k n + 1 si aplicam (b)
din 2.1.
Avem = A [ CA, deci P ( ) = P (A) + P (CA) si din (a) 2.1, P (CA) =
1 P (A).
(c) A = B [ (A n B).Cum A n B 2 K si B \ (A n B) = ?, din (b) obtinem
P (A) = P (B) + P (A n B).Avem P (B) = P (A) P (A n B) si tinem seama ca
P (A n B) 0.
(d)Denim B1 = A1 , B2 = A2 n A1 , B3 = A3 n (A2 n A1 ), ...., Bn = An n
1
[ 1
[
(An 1 n A2 n A1 ).Avem Bi \Bj = ?, pentru i 6= j si Bn = An (procedeul
n=1 n=1
de disjunctare).Aplicnd
! (b) din
! 2.11si (c), avem: 1
1
[ 1
[ X X 1
X
P An = P Bn = P (Bn ) = P (An n Bn 1) P (An ).
n=1 n=1 n=1 n=1 n=1
Penrtru A1 , A2 , :::, An
2 K, completam cu Ak
= ? pentru k n + 1 si
tinnd seama !
de (a), avem: !
n
[ 1
[ X1 n
X
P Ak = P Ak P (Ak ) = P (Ak ).
k=1 k=1 k=1 k=1
(e)Rezulta din (d).
(f)Inductie dupa n 2.
Pentru n = 2, A1 [ A2 = (A1 \ A2 ) [ [A1 n (A1 \ A2 )] [ [A2 n (A1 \ A2 )].
Evenimentele care se reunesc ind disjuncte, din (b), obtinem:
P (A1 [ A2 ) = P (A1 \ A2 ) + P (A1 n (A1 \ A2 )) + P (A2 n (A1 \ A2 ))
si folosind (c),
P (A1 [ A2 ) = P (A1 \ A2 )+P (A1 ) P (A1 \ A2 )+P!(A2 ) P (A1 \ A2 ) =
X 3
\
P (A1 ) + P (A2 ) P (A1 \ A2 ) = ( 1) P Ai .
I f1;2g i2I
Presupunem!ca egalitatea
! este adevarat
! a pentru n > 2.Folosind (c),n !!
[n [n [
P Ak [ An+1 = P Ak +P (An+1 ) P An+1 \ Ak
k=1 !
k=1 k=1 !
X card(I)+1
\ X card(I)+1
\
= ( 1) P Ai +P (An+1 ) ( 1) P (An+1 \ Ai ) =
I f1;2;:::;ng i2I I f1;2;:::;ng i2Ii
2 3
Xn X X
4 n+1
P (Ai ) P (Ai \ Aj ) + P (Ai \ Aj \ Ak ) + + ( 1) P (A1 \ \ An )5 +
i=1 1 i<j n 1 i<j<k n
n
X X X
[P (An+1 ) P (Ai \ An+1 )+ P (Ai \ Aj \ An+1 ) P (Ai \ Aj \ Ak \ An+1 )+
i=1 1 i<j n 1 i<j<k n
8
" n
#
n+2
X X
+ ( 1) P (A1 \ \ An \ An+1 )] = P (Ai ) + P (An+1 ) [ P (Ai \ Aj ) +
i=1 1 i<j n
X X X
P (Ai \ An+1 )]+[ P (Ai \ Aj \ Ak )+ P (Ai \ Aj \ An+1 )]+
1 i n 1 i<j<k n 1 i<j n
n+2
X X
+ + ( 1) P (A1 \ \ An \ An+1 ) = P (Ai ) P (Ai \ Aj ) +
1 i n+1 1 i<j n+1
X
P (Ai \ Aj \ Ak )] + ( 1)(n+1)+1 P (A1 \ \ An \ An+1 ) =
1 i<j<k n+1
!
X card(I)+1
\
( 1) P Ai .
I f1;2;:::;n+1g i2I
[2.5]Corolar. ntr-un cmp de probabilitate n sens extins sunt adevarate
armatiile (a), (c), (d) si (e) pentru reuniuni nite si (f).
[2.6]Teorema. Fie ( ; K; P ) un cmp de probabilitate.Sunt adevarate ar-
matiile:
(a)Daca (An )n 1 este o familie numarabila de evenimente din K astfel nct
1
[
An " A, A 2 K (adica, An An+1 (8) n 1 si An = A), atunci lim P (An ) =
n!1 n!1
n=1
A.
(b)(Daca (An )n
este o familie numarabila de evenimente din K astfel
1
1
\
nct An # A, A 2 K (adica, An An+1 (8) n 1 si An = A), atunci
n!1
n=1
lim P (An ) = A.
n!1
(c)Daca (An )n 1 este o familie numarabila de evenimente din K astfel nct
1
\
An # ?, (adica, An An+1 (8) n 1 si An = ?), atunci lim P (An ) = 0:
n!1 n!1
n=1
Demonstratie:
(a)Folosim procedeul de disjunctare si denim:
B1 = A1 , B2 = A2 n A1 , B3 = A3 n A2 , ...., Bn = An n An 1 ....Avem
[1 1
[
Bi \ Bj = ?, pentru i 6= j si Bn = An .Din 2.1 si folosind 2.4 (c),
1
! 1
n=1 ! n=1
1 1
[ [ X X
P (A) = P An = P Bn = P (Bn ) = P (An n An 1 ) =
n=1 n=1 n=1 n=1
1
X
(P (An ) P (An 1 )) =
n=1
n
X
lim (P (Ak ) P (Ak 1 )) = lim P (An ).
n!!1 n!!1
k=1
1 1
!
[ \
(b)Avem CAn CAn+1 (8) n 1 si CAn = C An = CA.
n=1 n=1
9
Din (a) rezulta ca P (CA) = lim P (CA (n )) si din 2.4 (b) P (A) = lim P (An ).
n!1 n!1
(c)Din (b) avem P (?) = lim P (An ) si folosim 2.4 (a).
n!1
[2.7]Teorema.Armatiile (a),(b), (c) din Teorema 2.6 sunt echivalente.

Demonstratie:Armatia (b) rezulta aplicnd (a) pentru familia (C (An ))n 1
si la fel rezulta si (a) din (b).
Cum (b) implica (c) s-a demonstrat n 2.6, este sucient sa aratam ca (c)
implica (b).
1
\
Pentru aceasta, avem A = An An (8) n 1.Denim Bn = An n
n=1
1
\ 1
\
A.Avem Bn 2 K, Bn Bn+1 (8) n 1 si Bn = (An \ CA) =
1
! n=1 n=1
\ \
An CA = ?.
n=1
Din (c), lim P (Bn ) = 0 si folosind 2.4 (c), lim (P (An ) P (A)) = 0.
n!1 n!1
tie.Fie ( ; K; P ) un cmp de probabilitate.Daca (An )n
[2.8]Propozi 1 K,
atunci
(a) P lim inf An lim inf P (An ) lim sup P (An ) P lim sup An .
n!1 n!1 n!1 n!11
1
X
(b) (Prima parte a Lemei Borel - Cantelli).Daca P (An ) < 1, atunci
n=1
P lim sup An = 0,
n!1
1 \
[ 1 1 [
\ 1
unde denim: lim inf An = Ak ; lim sup An = Ak .
n!1 n!11
n=1 k=n n=1 k=n
Demonstrat!
ie:
1
\ 1
\
(a) Ak este sir ascendent de multimi din K.Cum Ak An (8)
k=n k=n
n 1
1 \1
! 1
!
[ \
n 1, avem P Ak = lim P Ak P (An ) (8) n 1.Obtinem
n!1
n=1 k=n k=n
P lim inf An lim inf P (An ).
n!1
1
! n!1
1
[ [
Ak : este sir descendent de multimi din K.Cum An Ak
k=n k=n
n 1
1
1 [
! 1
!
\ [
(8) n 1^{, avem P Ak = lim P Ak P (An ) (8) n
n!1
n=1 k=n k=n
1.Obtinem P lim sup An lim sup P (An ).

n!1 n!1
(b)Folosind 2.6 (b) si proprietatea de subaditivitate numarabila, P lim sup An =

n!1
10
1
! 1 1 1
[ X X X
lim P Ak lim P (Ak ) si cum P (An ) < 1, avem lim P (Ak ) =
n!1 n!1 n!1
k=n k=n n=1 k=n
0.
3.Exemple de cmpuri de probabilitate
[3.1]Deni tie. Fie o multime nita si probabilitatea PC : ( ; K; P ) !
[0; 1] denita prin PC (A) = card(A)
card( ) .
Cmpul de probabilitate ( ; P ( ) ; PC ) se numeste cmpul lui Laplace de
ordin N = card ( ), iar PC se numeste probabilitatea clasica.
Acest cmp modeleaza un experiment aleator pentru care multimea a rezul-
tatelor posibile este multime nita si evenimentele elementare sunt egal proba-
1
bile, avnd ecare probabilitatea card( ).
[3.2]Propozi tie.Fie ( ; K) un cmp de evenimente, = (Ai )i2I un sistem
complet de evenimente din K si (p (Ai ))i2I un sistem de numere astfel nct
X
pAi 0, pAi = 1.
i2I ( )
[ X
0
Denim K = Aj si K : K ! [0; 1], P (B) = pA ,
A2 0 A2 0
[
(8) B = A.
A2 0
Atunci, tripletul ( ; K ; P ) este un cmp de probabilitate.

Demonstratie:
K este [ un corp borelian al lui .Pentru aceasta,
(i) = A, deci 2 K .
A2
[ [
0
(ii)Daca B 2 K , (9) a.. B = A.Atunci, CB = A,
A2 0 A2 n 0
deci CB 2 K . [
(iii)Daca B1 , B2 , ..., Bn ,...2 K , (9) 1, 2, ..., n a.. B1 = A,
A2 1
[ [ 1
[ [
B2 = A, ..., Bn = A, .....Atunci, Bn = A, deci
A2 2 A2 n n=1 A2 1[ 2[ [ n[
1
[
Bn 2 K .
n=1
P este o probabilitate[
pe K .Astfel,
(iv)Pentru orice B = A avem ca P (B) este suma de numere nenega-
0
A2
0
X X
tive si P (B) pA = pAi = 1.
A2 ! i2I
[ X
P ( )=P A = pA = 1.
A2 A2
(v)Daca B1 , B2 , ..., Bn ,...2 K sunt astfel nct Bi \Bj = ?, pentru i 6= j,
11
1
!
[ [
atunci Bk = A, cu i \ j = ?, pentru i 6= j.Atunci, P Bn =
A2 !k n=1
1
! 1
! 1
[ [ [ X X X
P A =P pA = pA = p (Bn ).
n=1 A2 n A2 1[ 2[ [ n[ n=1 A2 n n=1
X Rezulta ca (I; P (I) ; PI ), unde PI : P (I) ! [0; 1] este denita prin PI (A) =
pi , este un cmp de probabilitate.
i2A
X I o multime cel mult numarabila si sistemul de numere

[3.3]Corolar.Fie
(pi )i2I , pi 0, pi = 1.
i2I
Pentru = I, = (fig j i 2 I) si pfig = pi (8) i 2 I, avem K = P (I) si
P = PI .
[3.3.1]Exemplu.Asociem multimii a evenimentelor elementare din Ex-
emplul [1.3], aata n bijectie cu I = f1; 2; :::; n; :::g sistemul de numere (pi )i2I ,
pi = q i (1 q), q 2 [0; 1].
X1 X1
Pentru orice i = 0; 1; 2; :::; n; :::; pi 0\ si pi = (1 q) q i = 1.Conform
i=0 X i=0
[3.3], ( ; P ( ) ; PI ), unde PI (fAi g) = pi , PI (A) = pi , A 2 P ( ) este cmp
i2A
de probabilitate. X
De exemplu, PI A(k) = pi = PI (fSg) + PI (fBSg) + PI (fBBSg) +
i2Ak
+ PI BB:::B S =
k 1
p0 + p1 + p2 + + pk 1 = q 0 (1 q) + q 1 (1 q) + + q k 1 (1 q) = 1 q k :
[3.4]Propozi tie.Fie ( ; K; P ) un cmp de probabilitate si B 2 K un eveni-
ment astfel nct P (B) > 0.
Denim PB : K ! [0; 1], PB (A) = P P(A\B) (B) .
Atunci, PB este o probabilitate pe K.
PB (A) se numeste probabilitatea evenimentului A conditionata de evenimen-
tul B si o mai notam P (A j B).Vom interpreta PB (A) ca ind probabilitatea
sa se produca evenimentul A n ipoteza ca s-a produs evenimentul B.
Demonstratie:
\B)
PB ( ) = P P( (B) =P (B)
P (B) = 1.
Daca A1 , A2 , :::, An , 0...sunt
0 1
n K astfel nct Ai \ Aj = ?, pentru i 6= j,
[ 1 1 X1
1
! P @@ An A\B A P (An \B) 1
[ X
n=1 n=1
atunci PB An = P (B) = P (B) = PB (An ).
n=1 n=1
[3.5]Propozi tie.Fie ( ; K; P ) un cmp de probabilitate.Sunt adevarate pro-
prietatile:
(a)Daca A1 , A2 , :::, An , ...2 K si P (A1 \ A2 \ \ An 1 ) > 0, atunci
P (A1 \ A2 \ \ An ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ) P (An j A1 \ A2 \ \An 1 ).
(b)(formula probabilitatii totale).
12
Daca (Ai )i2I este un sistem complet de evenimente din K, atunci
X
P (A) = P (Ai ) P (A j Ai ) (8) A 2 K.
i2I
(c)(formula lui Bayes)
Daca (Ai )i2I este un sistem complet de evenimente din K, si daca P (A) > 0,
atunci:
P (Ai )P (AjAi )
P (A j Ai ) = X .
P (Aj )P (AjAj )
j2I
Demonstratie:
(a)nti, cum A1 \ A2 \ \ Aj A1 \ A2 \ \ An 1 (8) 1 j n 1,
avem P (A1 \ A2 \ \ Aj ) > 0.
Conform denitiei,
P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ) P (An 1 j A1 \ A2 \ \ An 2 ).
P (A1 \A2 ) P (A1 \A2 \A3 ) P (A1 \A2 \ \An 1)
P (An j A1 \ A2 \ \ An 1 ) = P (A1 ) P (A1 ) P (A1 \A2 ) P (A1 \A2 \ \An 2)
P (A1 \A2 \ \An 1 \An )
P (A1 \A2 \ \An 2 \An 1 )
= P (A1 \ A2 \ \ An ). [
(b)Daca A 2 K, A = A\ = (A \ Ai ) si (A \ Ai )\(A \ Aj ) = ?, pentru
i2I
i 6= j.Atunci,X X
P (A) = P (A \ Ai ) = P (Ai ) P (A j Ai ).
i2I i2I
(c)Din egalitatea P (A \ Ai ) = P (A) P (A j Ai ) si din (b),
P (Ai j A) = P (A\A
P (A)
i)
=XP (Ai )P (AjAi ):
.
P (Aj )P (AjAj )
j2I
[3.6]Propozi tie.Daca PB este probabilitatea conditionata denita n [3.4]

si KB = fA 2 K j A Bg, atunci ( ; KB ; PB ) este un cmp de probabilitate.
( ; KB ; PB ) se numeste cmpul indus pe B de ( ; K; P ) sau urma pe B a
lui ( ; K; P ).
[3.7]Observa tie.Daca ( ; K; P ) modeleaza experimentul aleator E, K ind
familia evenimentelor A care se asociaza lui E, atunci ( ; KB ; PB ) modeleaza
experimentul aleator EB , pentru care familia KB a evenimentelor asociate este
formata cu evenimentele AB :"A se produce si evenimentul A implica evenimen-
tul B".
Daca i : B ! este injectia canonica, atunci
1
PB (A) = P (B) P i 1 (A) , (8) A 2 KB .
Urmatoarea denitie introduce unul din conceptele centrale ale Teoriei
probabilitatilor, acela de independenta, fundamental pentru stabilirea rezul-
tatelor0expuse 1 n [3.10] - [3.15].
\ Y
P@ Aj A = P (AJ ).
j2J j2J
(b)Familia (Mi )i2I , Mi K (8) i 2 I, este independenta daca pentru orice
Ai 2 Mi , familia de evenimente (Ai )i2I este independenta.
[3.8]Propozi tie.Fie ( ; K; P ) un cmp de probabilitate.
13
(a)Daca familia (Mi )i2I , Mi K (8) i 2 I este independenta, atunci
(Mi )i2J , pentru orice J I:
(b)Daca familia (Mi )i2I , Mi K (8) i 2 I este independenta si M0i Mi ,
0
atunci Mi este independenta.
i2I
(c)Daca pentru orice J I, J nita, (Mi )i2J este familie independenta,
atunci (Mi )i2I este independenta.
[3.9]Observa tie.
(a)Din 3.7 rezulta ca doua evenimente A1 , A2 sunt independente daca si
numai daca P (A1 \ A2 ) = P (A1 ) P (A2 ), iar evenimentele A1 , A2 , A3 sunt
independente daca si numai daca P (A1 \ A2 ) = P (A1 ) P (A2 ), P (A2 \ A3 ) =
P (A2 ) P (A3 ), P (A1 \ A2 \ A3 ) = P (A1 ) P (A2 ) P (A3 ).
(b)Din 3.7 si 3.4. rezulta ca n cazul evenimentelor independente, probabil-
itatea conditionata P (A j B) este P (A j B) = P (A).
nseamna ca probabilitatea de realizare a lui A nu inuenteaza probabilitatea
de realizare a lui B.
Modelele asociate urmatoarelor experimente, care sunt reprezentative pen-
tru clase mari de fenomene aleatoare, diverse n planul concret, exemplica
cmpul lui Laplace de probabilitate si calculul probabilitatii unui eveniment cu
probabilitatea clasica.Ele se denumesc ca scheme clasice de probabilitate.
[3.10]Exemplu (Schema bilei ntoarse)
Dintr-o urna ce contine m bile rosii si (n-m) bile albe se fac k extrageri
succesive, cu ntoarcere (reintroducndu-se de ecare data bila extrasa napoi
n urna, dupa constatarea rezultatului extragerii).
Probabilitatea ca sa se obtina r bile rosii si (k-r) bile albe este:
Ckr mr (n=m)k r
nk
, r = 0, 1, 2, ..., k; m > 0; n > 0
Demonstratie:
Fie A multimea bilelor albe si R multimea bilelor rosii.Avem A \ R =?,
card (A) = n m, card (R) = m.
Multimea evenimentelor elementare este
= (bi1 ; bi2 ; :::; bik ) j bij 2 R [ A; j = 1; 2; :::; k = (R [ A) (R [ A)
n factori
k
(R [ A), deci card ( ) = card (R [ A) = nk .
Fie E evenimentul "n urma celor k extrageri se obtin exact r bile rosii".Ca
element al lui P ( ),
E = (bi1 ; bi2 ; :::; bik ) j card bij j bij 2 R = r ,
care se mai scrie [
E= Cfj1 ;j2 ;:::;jr g (1), unde
fj1 ;j2 ;:::;jr g f1;2;:::;kg
fjr+1 ;jr+2 ;:::;jk g f1;2;:::;kg fj1 ;j2 ;:::;jr g
n o
Cfj1 ;j2 ;:::;jr g = (bi1 ; bi2 ; :::; bik ) j bij1 ; bii2 ; :::; bijr 2 R; bijl 2 A; pt:jl 2
= fj1 ; j2 ; :::; jr g .
Tinnd
seama ca multimile Cfj1 ;j2 ;:::;jr g sunt disjuncte, din (1), avem
X
Card (E) = card Cfj1 ;j2 ;:::;jr g (2).
fj1 ;j2 ;:::;jr g f1;2;:::;kg
14
Pentru ecare fj1 ; j2 ; :::; jr g f1; 2; :::; kg, Cfj1 ;j2 ;:::;jr g este n corespon-
denta biunivoca cu multimea D G, unde D = f(u1 ; u2 ; :::; ur ) j ui 2 R; i 2 f1; 2; :::; rgg;
G = f(v1 ; v2 ; :::; vk r ) j vi 2 A; i 2 f1; 2; :::; k rgg prin functia
F : Cfj1 ;j2 ;:::;jr g ! D G, F ((bi1 ; bi2 ; :::; bik )) = bij1 ; bii2 ; :::; bijr ; bijr+1 ; bijr+2 ; :::; bijk ,
ijl 2
= fij1 ; ij2 ; :::; ijr g; l 2 fr + 1; r + 2; :::; kg (3)
k r
Din (3), card Cfj1 ;j2 ;:::;jr g = card (D G) = mr (n m)
si n (2) obtinem:
k r
card (E) = Ckr mr (n m) .
C r mr (n m)k r
n nal, P (E) = card(E)
card( ) =
k
nk
.
[3.10.1]Observa tie:
(a)Daca U este o multime si k este un numar natural nenul, un element
(b1 ; b2 ; :::; bk ) din U U U se numeste k-truplu ordonat de elemente ale
k
lui U.
Un rezultat al experimentului constnd din k extrageri succesive cu n-
toarcere din multimea U este un k - truplu ordonat de elementre din U, si-l
numim selectie ordonata de marime k din U.
Asa cum rezulta din 3.10, daca U = R [ A, R \ A = ?, adica (R; A) este
o partitie a lui U, astfel nct card(R) =m, card (A) = n m, m > 0; n > 0,
atunci probabilitatea ca o selectie ordonata de marime k cu ntoarcere din U sa
C r mr (n m)k r
contina r elemente din R si (k-r) elemente din A este k nk
.
(b)Experimentului aleator E, care consta dintr-o singura extragere din urna
U i se asociaza campul lui Laplace ( 1 ; P ( 1 ) ; P ), 1 = R [ A, P = PC ,
n care p = m n este probabilitatea evenimentului E: "bila extras a are culoarea
rosie".Un astfel de experiment este denumit experiment Bernoulli.
Valoarea obtinuta pentru probabilitatea evenimentului Ek;r , care consta n
realizarea de r ori a evenimentului E n experimentul compus E1 , E2 , ..., Ek
constnd din k repetari independente ale lui E, se mai scrie
r k r k r
P (Ek:r ) = Ckr m n 1 m n = Ckr pr (1 p) r = 0, 1, 2, ..., k.
Rezulta ca:
"probabilitatea ca un eveniment ce se produce cu probabilitatea p 2 (0; 1)
ntr-o proba a unui experiment aleator sa apara exact de r ori n k probe inde-
pendente ale experimentului este
k r
bk;p (r) = Ckr pr (1 p) .
k r
Valoarea Ckr pr (1 p) reprezinta coecientul lui xr din dezvoltarea bino-
k
miala (px + q) ; q = 1 p si totodata termenul de rang (r + 1) din dezvoltarea
k
(p + q) .
Din aceasta cauza schema bilei revenite se numeste schema binomiala, iar
cmpul de evenimente asociat cmpul binomial.De asemenea, ea se mai denu-
meste ca schema lui Bernoulli, experimentul considerat constnd ntr- o succe-
siune nita de experimente Bernoulli.
(c)Tinnd
seama de (a) si (b) anterioare, putem spune ca daca experimen-
tul aleator E este modelat de cmpul de probabilitate ( 1 ; P ( 1 ) ; PC ) n care
(R; A) este un sistem complet de evenimente, cu probabilitatea p 2 (0; 1) de
15
aparitie a evenimentului R, atunci probabilitatea ca R sa se produca de r ori
k r
n k probe independente ale lui E este Ckr pr (1 p) .
[3.11]Exemplu (Schema multinomiala)
Dintr-o urna ce contine 1 bile de culoare c1 , 2 bile de culoare c2 , ..., s
bile de culoare cs se fac k extrageri succesive, cu ntoarcere.
Atunci, probabilitatea ca sa se obtina n1 bile de culoare c1 , n2 bile de culoare
c2 , ..., ns bile de culoare cs este
k! n1 n2 ns
n1 !n2 ! ns ! n
1
n
2
n
s
; n1 , n2 , ..., ns 0; n1 + n2 + + ns = k;
1+ 2+ + s = n; 1 , 2 , ..., s > 0
Demonstratie:
Fie Ci multimea bilelor de culoare ci , i = 1, 2, ..., s.Multimea evenimentelor
elementare este
= f(c1 ; c2 ; :::; ck ) j ci 2 C1 [ C2 [ [ Cs ; i = 1; 2; :::; kg.
Evenimentul En1 ;n2 ;:::;ns :"se obtin n1 bile de culoare c1 , n2 bile de culoare
c2 , ..., ns bile de culoare cs[ " se scrie:
En1 ;n2 ;:::;ns = C (1)
=fU1 ;U2 ;:::;Us g
partitn
ie a lui f1;2;:::;kg
o
Uj = ij1 ;ij2 ;:::;ijn
n j
o
C = (c1 ; c2 ; :::; ck ) 2 j ci11 ; ci12 ; ::ci1n 2 C1 ; ci21 ; ci22 ; ::ci2n 2 C2 ; :::; cis1 ; cis2 ; ::cisns 2 Cs (2).
1 2
n o
Pentru ecare = fU1 ; U2 ; :::; Us g ; partitie a lui f1; 2; :::; kg, Uj = ij1 ; ij2 ; :::; ijnj ,
C este n corespondenta biunivoca cu multimea M (1) M (2) M (s) ,
M (r) = (m1 ; m2 ; :::; mnr ) j mj 2 Cr ; j = 1; nr , r = 1, 2, ..., s prin functia
F : C ! M (1) M (2) M (s) , F ((c1 ; c2 ; :::; ck )) = ci11 ; ci12 ; ::ci1n ; ci21 ; ci22 ; ::ci2n ; :::; cis1 ; cis2 ; ::cisns
1 2
n 1 n2
Rezulta card (C ) = card M (1) M (2) M (s) = 1 2
ns
s , si
n1 n2 ns
card(C ) n1 n2 ns
P (C ) = card( ) = 1
= n1
2
nk
s
n
2
n
s
(3)
Din (1), tinnd seama ca CXsunt disjuncte,
n1 n2
P (En1 ;n2 ;:::;ns ) = P (C ) = 1
n
2
n n
s
N (f1; 2; :::; kg)
=fU1 ;U2 ;:::;Us g;
partitnie a luif1;2;:::;kg
o
Uj = ij1 ;ij2 ;:::;ijn
j
(4)
unde N (f1; 2; :::; kg) este numarul partitiilor = fU1 ; U2 ; :::; Us g ale multimii
f1; 2; :::; kg, cu card (Uj ) = nj .
Avem N (f1; 2; :::; kg) = Ckn1 Ckn2 n1 Ckn3 (n1 +n2 ) Ckns (n1 +n2 + ns 1 ) =
k!
si n nal, din (4) rezulta
n1 !n2 ! ns !
n1 n2 k!
P (En1 ;n2 ;:::;ns ) = n1 n
2
n
s
n1 !n2 ! ns ! .
(a)Asa cum rezulta din 3.11, daca (C1 ; C2 ; :::; Cs ) este o partitie a multimii U ,
card (Ci ) = i ; i = 1; 2; :::; s, i > 0, atunci probabilitatea ca o selectie ordonata
de marime k, cu ntoarcere din U sa contina n1 elemente din C1 , n2 elemente
n1 n2 ns
din C2 , ...., ns elemente din Cs este n1 !n2k!! ns ! n1 n
2
n
s
, n1 ,
n2 , ..., ns 0; n1 + n2 + + ns = k; 1 ; 2 ; :::; s > 0; 1 + 2 + + s = n.
16
(b)n cmpul lui Laplace asociat experimentului E ce consta dintr-o ex-
tragere ( 1 ; P ( 1 ) ; P ), P = PC pj = nj reprezinta probabilitatea evenimen-
tului Ej :"se extrage o bila de culoare cj " ; j = 1, 2, ..., s.Astfel, probabilitatea ca
n k repetari independente ale experimentului E, evenimentul E1 sa se produca
de n1 ori, E2 sa se produca de n2 ori, ..., Es sa se produca de ns ori, este
pk (n1 ; n2 ; :::; ns ) = n1 !n2k!! ns ! pn1 1 pn2 2 pns s p1 , p2 , ...., ps 2 (0; 1) ; n1 , n2 ,
..., ns 0 ; n1 + n2 + + ns = k.
(c)Tinnd
seama de (a), (b) anterioare, daca (C1 ; C2 ; :::; Cs ) este un sistem
complet de evenimente n cmpul de probabilitate ( 1 ; P ( 1 ) ; P ), P = PC ,
ce modeleaza experimentul aleator E, cu P (Cj ) = pj , pj 2 (0; 1) ; j = 1; s,
atunci probabilitatea ca n experimentul E1 , E2 , ..., Ek , ce consta n k repetari
independente ale experimentului E, evenimentul E1 sa se produca de n1 ori, E2
sa se produca de n2 ori, ..., Es sa se produca de ns ori, este pk (n1 ; n2 ; :::; ns )
din (b).
(d)Pentru s = 2, partitia (C1 ; C2 ) este formata cu evenimente complementare,
deci p2 = 1 p1 .Cum n1 + n2 = k, rezulta:
n 1 n2 n1 k n1
pk (n1 ; n2 ) = n1k! k!
!n2 ! p1 p2 = n1 !(k n1 )! p1 (1 p1 ) , deci pk (n1 ; n2 ) =
bk;p1 (n1 ) si regasim astfel rezultatul din schema binomiala.
[3.12]Exemplu (Schema bilei nentoarse sau hipergeometrica)
Dintr-o urna ce contine m bile rosii si (n m) bile albe se fac k extrageri
fara ntoarcere (succesiv sau simultan).
Probabilitatea ca sa se obtina r bile rosii si k r bile albe este
r k r
Cm Cn m
k
Cn
r = 0, 1, 2, ...., k ; m > 0; n > 0.
Demonstratie:
(a)Presupunem nti ca extragerile se fac succesiv.

Fie R multimea bilelor rosii si A multimea bilelor albe.Putem considera ca
un rezultat posibil al experimentului este un sistem ordonat (b1 ; b2 ; :::; bk ) de
elemente distincte din R [ A.Atunci,
= f(b1 ; b2 ; :::; bk ) j bi 2 R [ A; i = 1; 2; :::; k; bi 6= bj pentru i 6= jg,
si card ( ) = Akn .
Evenimentului Ek;r :"se obtin r bile rosii si k r bile albe" i corespunde n
P ( ) multimea
Ek;r = f(b1 ; b2 ; :::; bk ) 2 j card fbi j bi 2 Rg = rg,
care se mai scrie: [
Ek;r = Cfj1 ;j2 ;:::;jr g (1), unde
fj1 ;j2 ;:::;jr g f1;2;:::;kg
n o
Cfj1 ;j2 ;:::;jr g = (bi1 ; bi2 ; :::; bik ) 2 j bij1 ; bij2 ; :::; bijr 2 R ,bijp 2 A , p 2 fr + 1; r + 2; :::; kg .
Multimile Cfj1 ;j2 ;:::;jr g ; fj1 ; j2 ; :::; jr g f1; 2; :::; kg, fjr+1 ; jr+2 ; :::; jk g
f1; 2; :::; kg fj1 ; j2 ; :::; jr g suntXdisjuncte si din (1) avem:
P (Ek;r ) = P Cfj1 ;j2 ;:::;jr g (2)
fj1 ;j2 ;:::;jr g f1;2;:::;kg
17
Pentru ecare fj1 ; j2 ; :::; jr g f1; 2; :::; kg multimea Cfj1 ;j2 ;:::;jr g este n core-
spondenta biunivoca cu multimea D G,
D = f(u1 ; u2 ; :::; ur ) j ui 2 R i = 1; 2; :::; r; ui 6= uj pentru i 6= jg
G = f(v1 ; v2 ; :::; vk r ) j vi 2 A i = 1; 2; :::; k r; vi 6= vj pentru i 6= jg,
prin functia F : Cfj1 ;j2 ;:::;jr g ! D G,
F (bi1 ; bi2 ; :::; bik ) = bij1 ; bij2 ; :::; bijr ; bijr+1 ; bijr+2 ; :::; bijk .
Rezulta ca avem
card Cfj1 ;j2 ;:::;jr g = car = Arm Akn rm ,
card(Cfj1 ;j2 ;:::;jr g ) Ar Ak r
P Cfj1 ;j2 ;:::;jr g = card( ) = m Akn m . (3)
n
Ar Ak r
Cr Ck r
Din (2), (3), P (Ek;r ) = Ckr m
Ak
n m
= mC nk m .
n n
(b)Presupunem ca extragerile se fac simultan.
Putem considera ca un rezultat posibil al experimentului este o submultime
fb1 ; b2 ; :::; bk g a lui R [ A, deci
= ffb1 ; b2 ; :::; bk g j bi 2 R [ A i = 1; 2; :::; k; bi 6= bj pentru i 6= jg (1)
si card ( ) = Cnk .
Evenimentele favorabile lui Ek;r determina multimea:
Ek;r = ffb1 ; b2 ; :::; bk g 2 j card fbi j bi 2 Rg = rg, (2)
care este n corespondenta biunivoca cu multimea D G, D = fD0 j D0 R; card (D0 ) = rg,
G = fG0 j G0 R; card (G0 ) = k rg, prin functia F : Ek;r ! D G,
F (fb1 ; b2 ; :::; bk g) = (fb1 ; b2 ; :::; bk g \ R; fb1 ; b2 ; :::; bk g \ A).
Rezulta ca avem card (Ek;r ) = card (D G) = Cm r
Cnk mr
si
card(E ) Cr Ck r
P (Ek;r ) = card( k;r) = mC nk m .
n
(a)Un rezultat al experimentului constnd din k extrageri succesive, fara n-
toarcere, de elemente din multimea U este un k-truplu ordonat, cu elemente dis-
tincte din U, adica una din aranjamentele de card (U ) luate cte k ale multimii
U, pe care o numim selectie ordonata de marime k din U:
Asa cum rezulta din 3.12, daca (R; A) este o partitie a lui U , astfel nct
card (R) = m, card (A) = n m, m > 0; n > 0, probabilitatea ca o selectie
ordonata de marime k din U sa contina r elemente din R si k-r elemente din
Cr Ck r
A este mC nk m .
n
(b)Un rezultat al experimentului constnd din k extrageri simultane de ele-
mente din U este o submultime neordonata de elemente din U, pe care o numim
selectie neordonata de marime k din U.
Daca (R; A) este o partitie a lui U , astfel nct card (R) = m, card (A) =
n m, m > 0; n > 0, probabilitatea ca o selectie neordonata de marime k din U
r k r
Cm Cn m
sa contina r elemente din R si k-r elemente din A este k
Cn
.
(c)Scriind probabilitatea din 3.12 sub forma
r k r
Cnp Cn(1
k
Cn
, unde p = m
p)
n 2 (0; 1) (1)
si trecnd la limita cnd n ! 1, m ! 1 si p ramne constant, obtinem:
18
2 32 3
Y
r 1 k
Y
r 1
6
Ckr 4nr pr (1 j
np )76 k
54n
r
(1 p) k r
(1 j
n(1 p) )7
5
r k r
Cnp Cn(1 p) j=1 j=1
lim = n!1
lim =
n!1 k
Cn Y
k 1
m!1 m!1 j
nr nk r
(1 n )
j=1
k r
Ckr pr (1 p) (2).
Acest rezultat permite urmatoarea interpretare:
Atunci cnd numarul elementelor din U este mare, probabilitatea ca o selectie
de marime k, fara ntoarcere, din U sa contina r elemente din R si k-r elemente
din A poate aproximata prin probabilitatea ca o selectie de marime k, cu
ntoarcere, din U sa contina r elemente din R si k-r elemente din A, eroarea
de aproximare ind mica.
[3.13]Exemplu ( Schema hipergeometrica cu mai multe stari)
Dintr-o urna ce contine 1 bile de culoare c1 , 2 bile de culoare c2 , ..., s
bile de culoare cs se fac k extrageri fara ntoarcere.
Atunci, probabilitatea ca sa se obtina n1 bile de culoare c1 , n2 bile de culoare
c2 , ..., ns bile de culoare cs este
C n11 C n22 C nss
Cn k ; n1 , n2 , ..., ns 0; n1 +n2 + +ns = k; 1 + 2 + + s = n
; 1 , 2 , ..., s > 0
Demonstratie:
Fie Cj multimea bilelor de culoare cj , j = 1, 2, ..., s, U = C 1 [C 2 [ [C s .
(a)Presupunem ca extregerile se fac succesiv.
n acest caz,
= f(b1 ; b2 ; :::; bk ) j bi 2 U, i = 1; 2; :::; k si bi 6= bj pentru i 6= jg,
deci card ( ) = Akn .
Multimea evenimentelor [ elementare [ favorabile este [
Ek;n1 ;n2 ;:::ns = C 1; 2 ;:::; s
1 f1;2;:::;kg 2 f1;2;:::;kgn 1 s f1;2;:::;kgn 1n 2n n s 1
card ( 1 ) = n1 , card ( 2 ) = n2 , ...., card ( s ) = ns (1)

unde C 1 ; 2 ;:::; s = f(bi1 ; bi2 ; :::; bik ) 2 j bip1;j 2 C1 () ip1;j 2 1
j = 1; 2; :::; n1 ; bip2;j 2 C2 () ip2;j 2 2 j = 1; 2; :::; n2 ; ...., bips;j 2 Cs ()
ips;j 2 s j = 1; 2; :::; ns g (2).
Multimile C 1 ; 2 ;:::; s sunt
Xdisjuncte si X din (1), X
card (Ek;n1 ;n2 ;:::ns ) = card (C 1; 2 ;:::; s
)
1 f1;2;:::;kg 2 f1;2;:::;kgn 1 s f1;2;:::;kgn 1n 2n n s 1
(3).
Pentru orice sistem 1 , 2 , ..., s ca n (1), multimea C 1 ; 2 ;:::; s este n
corespondenta biunivoca cu multimea D1 D2 Ds ,
Dj = Dj0 j Dj0 sistem ordonat de elemente distincte din Cj j = 1, 2, ...,
s.
Avem card (C 1 ; 2 ;:::; s ) = card (D1 D2 Ds ) = An11 An22 Anss ,
si
card (Ek;n1 ;n2 ;:::ns ) = Ckn1 Ckn2 n1 Ckns (n1 +n2 + +ns 1 ) An11 An22 Anss =
k!
n1 !n2 ! ns ! C n11 n1 ! C n22 n2 ! C nss ns ! = C n11 C n22 C nss k! (4)
19
n nal, din (4),
card(Ek;n1 ;n2 ;:::ns ) C n11 C n22 C nss
P (Ek;n1 ;n2 ;:::ns ) = card( ) = Ak
.
n
k!
(b)Presupunem ca extragerile se fac simultan.
n acest caz,
= ffb1 ; b2 ; :::; bk g j bi 2 U, i = 1; 2; :::; k si bi 6= bj pentru i 6= jg,
card ( ) = Cnk .
Multimea evenimentelor favorabile este
Ek;n1 ;n2 ;:::ns = ffb1 ; b2 ; :::; bk g 2 j card fbi j bi 2 Cj g = nj ; j = 1; 2; :::; sg
si este n corespondenta biunivoca cu multimea D1 D2 Ds , unde
Dj = Dj0 j Dj0 Cj , card Dj0 = nj .
Avem card (Ek;n1 ;n2 ;:::ns ) = card (D1 D2 Ds ) = C n11 C n22 C nss si
n1 n2 ns
card(Ek;n1 ;n2 ;:::ns ) C C C s
P (Ek;n1 ;n2 ;:::ns ) = card( ) = 1 C2k .
n
Putem reformula rezultatul din 3.13 astfel:
Daca C1 , C2 , , Cs este o partitie a lui U, astfel nct card (Cj ) = j , j > 0
j = 1, 2, ..., s, probabilitatea ca o selectie ordonata de marime k, fara ntoarcere
X n
din U sa contina nj elemente din Cj , nj > 0 j = 1, 2, ..., s ; nj = k este
j=1
C n11 C n22 C nss
Cn k .
Probabilitatea ca o selectie simultana de marime k, fara ntoarcere din U sa
contina nj elemente din Cj , este aceea si ca n cazul selectiei ordonate.
[3.14]Exemplu (Problema concordantelor)
Dintr-o urna n care se aa n bile numerotate de la 1 la n se extrag secvential
si fara ntoarcere toate bilele.
Probabilitatea sa nu existe nici o concordanta, adica pentru nici un i = 1,
2, ..., n, la extragerea cu numarul "i" nu s-a obtinut bila cu numarul "i", este
Xn
( 1)r
r! .
r=0
Demonstratie:
Un rezultat posibil este o permutare a multimii f1; 2; :::; ng, deci
= f(! 1 ; ! 2 ; :::; ! n ) j ! i 2 f1; 2; :::; ng , ! i 6= ! j pentru i 6= jg, card ( ) =
n!.
Fie Ei evenimentul " la extragerea cu numarul i s-a obtinut bila cu numarul
i ", care este reprezentat de multimea
Ei = f(! 1 ; ! 2 ; :::; ! n ) 2 j ! i = i g i = 1; 2; :::; n.
Evenimentul E :"nu se obtine nici o concordanta" este reprezentat de multimea
E = CB1 \ CB2 \ \ CBn
Aplicnd formula lui Poicare(2.2.4.(f)), avem !
X card(I)
\
P (E) = 1 P (B1 [ B2 [ [ Bn ) = 1 ( 1) P Bi =
I f1;2;:::;ng i2I
20
n
!
X X k+1
\
1 ( 1) P Bi (1).
k=1 I f1;2;:::;ng i2I
card(I)=k
\
Pentru I (k) = fi1 ; i2 ; :::; ik g, Ei = f(! 1 ; ! 2 ; :::; ! n ) 2 j ! i1 = i1 , ! i2 = i2 , ..., ! ik = ik g,
0 1 i2I (k) 0 1
\ \
deci card @ Ei A = (n k)! si P @ Ei A = (n k)!
n! (2).
i2I (k) i2I (k)
n (1) obtinem:
Xn n
X n
X
k+1 k (n k)! k k
P (E) = 1 ( 1) Cn n! = ( 1) Cnk (n n!k)! = ( 1) 1
k! (3).
k=1 k=0 k=0
[3.15]Exemplu (Schema lui Poisson)
Urnele U1 , U2 , ..., Uk contin ecare bile rosii si bile albe.Se stie ca proba-
bilitatea ca extragnd o bila din Uj , aceea sa e rosie, este pj ; j = 1, 2, ...,
k.
Se efectueaza k extrageri, ecare din cte o urna.
Probabilitatea ca sa se obtina r bile rosii si (k r) bile albe este coecientul
lui xr din dezvoltarea
Q (x) = (p1 x + q1 ) (p2 x + q2 ) (pk x + qk ) ; qi = 1 pi i = 1, 2, ..., k.
Demonstratie:
Fie Ri , Ai multimea bilelor rosii, respectiv a bilelor albe din urna Ui , Ui =
R i [ Ai .
Multimea rezultatelor posibile este = U1 U2 Uk , card ( ) =
card (U1 ) card (U2 ) card (Uk ),
iar multimea Ek;r a cazurilor favorabile realizarii evenimentului " se obtin r
bile rosii si (k r) bile albe " este
Ek;r = f(u1 ; u2 ; :::; uk ) 2 j card fui j ui 2 Ri g = rg.
Aceasta se mai scrie [
Ek;r = Cfj1 ;j2 ;:::;jr g
fj1 ;j2 ;:::;jr g f1;2;:::;kg
Cfj1 ;j2 ;:::;jr g = f(ui1 ; ui2 ; :::; uik ) 2 j uij1 ; uij2 ; :::; uijr 2 Rij1 R ij2
Rijr ; uijr+1 ; uijr+2 ; :::; uijk 2 Aijr+1 Aijr+2 Aij g (2)
Cum Cfj1 ;j2 ;:::;jr g sunt disjuncte,
X
card (Ek;r ) = card Cfj1 ;j2 ;:::;jr g (1).
fj1 ;j2 ;:::;jr g f1;2;:::;kg
Pentru orice fj1 ; j2 ; :::; jr g f1; 2; :::; kg, fjr+1 ; jr+2 ; :::; jk g f1; 2; :::; kg
fj1 ; j2 ; :::; jr g, Cfj1 ;j2 ;:::;jr g este n corespondenta biunivoca cu multimea D G,
D = f(u1 ; u2 ; :::; ur ) j uj 2 Rj ; j = 1; 2; :::; rg, G = f(v1 ; v2 ; :::; vk r ) j vj 2 Rj ; j = 1; 2; :::; k rg
prin functia
F : Cfj1 ;j2 ;:::;jr g ! D G, F ((ui1 ; ui2 ; :::; uik )) = uij1 ; uij2 ; :::; uijr ; uijr+1 ; uijr+2 ; :::; uijk .
Daca card (Rj ) = mj si card (Aj ) = nj mj ; j = 1, 2, ..., k, avem
21
h
card Cfj1 ;j2 ;:::;jr g = card (D G) = card (D) card (G) = mij1 mij2 mijr nijr+1 mijr+1 nijr+2
si din (2), card (Ek;r ) = h
X
mij1 mij2 mijr nijr+1 mijr+1 nijr+2 mijr+2 (nik mik
fj1 ;j2 ;:::;jr g f1;2;:::;kg
(2)
Cum card ( ) = n1 n2 n k = n ij 1 n i j 2 nijk pentru orice permutare
(ij1 ; ij2 ; :::; ijk ) a lui f1; 2; 3:::; kg. "
X mij mij mij nij mij nij mi
r+1 r+1
P (Ek;r ) = nij
1
nij
2
nij
r
nij
k
nij
1 2 r r+1 k
fj1 ;j2 ;:::;jr g f1;2;:::;kg
X
= p ij 1 pi j 2 pijr qijr+1 qijr+2 qijk (3).
fj1 ;j2 ;:::;jr g f1;2;:::;kg
Urmatoarele propozitii introduc suma directa a unei familii cel mult numarabile
de cmpuri de probabilitate, respectiv produsul unei familii nite de cmpuri
de probabilitate, ca exemple de cmpuri de probabilitate.
[3.16]Propozi tie (suma directa).Fie o multime si ( i )i2I o partitie cel
mult numarabila a lui .Pentru orice i 2 I e ( i ; Ki ; Pi ) un cmp de proba-
bilitate. M
Atunci, Ki = fA j A \ i 2 Ki (8) i 2 Ig este un corp borelian pe
i2I
M M M X
si Pi : Ki ! [0; 1], Pi (A) = i Pi (A \ i) i > 0 si
i2I i2I i2I i2I
X M
i = 1 este o probabilitate pe Ki .
i2I i2I !
M M
Cmpul de probabilitate ; Ki ; Pi de numeste suma directa a
i2I i2I
M
cmpurilor ( i ; Ki ; Pi )i2I , care se noteaza cu ( i ; Ki ; Pi ).
i2I
n scopul de a deni corpul borelian produs, introducem notiunea de corp
borelian generat de o famile de parti.
[3.17]Propozi
\ tie.Fie o multime si M P ( ).Denim familia B (M) =
K.Atunci,
K corp b orelian al lui
M K
B (M) este un corp borelian al lui si este cel mai mic cu aceasta proprietate.
Demonstratie:
Fie M = fK j K corp borelian al lui , M Kg.Vericam axiomele din
1.6.Astfel,
(a) 2 K (8) K 2 M , deci 2 B (M) :
(b) daca A 2 K (8) K 2 M , atunci CA 2 K (8) K 2 M , deci CA 2 B (M).
1
[
(c) daca An 2 K n = 1, 2, ... (8) K 2 M , atunci An 2 K (8) K 2 M ,
n=1
22
1
[
deci An 2 B (M).
n=1
Evident, M B (M) si B (M) K (8) K 2 M .
tie (produs nit).Fie ( i ; Ki ; Pi ) i = 1; N cmpuri de probabil-
[3.18]Deni
N
Y ON
itate si = i, Ki = B (fA1 A2 AN j Ai 2 Ki i = 1; 2; ::; N g)
i=1 i=1
N
O N
O N
O N
O
si Pi : Ki ! [0; 1] probabilitate pe Ki astfel nct Pi (A1 A2 AN ) =
i=1 i=1 i=1 i=1
N
Y
Pi (Ai ) pentru orice sistem de evenimente A1 , A2 , ..., AN cu Ai 2 Ki (8)
i=1
i = 1; N . !
N
O N
O
Cmpul de probabilitate ; Ki ; Pi se numeste cmpul de proba-
i=1 i=1
bilitate produs al cmpurilor ( i ; Ki ; Pi ) i = 1; N .
N
O
Precizam ca exista o probabilitate pe corpul borelian produs Ki al cor-
i=1
purilor Ki i = 1; N si aceasta este unica cu determinarea de mai sus.Numim
N
O
probabilitatea Pi probabilitatea produs a probabilitatilor Pi i = 1; N .
i=1
[3.18.1].Observa tie:
(a)Daca pentru i = 1, 2, ..., N cmpul de probabilitate ( i ; Ki ; Pi ) descrie ex- !
N
Y O N ON
perimentul aleator Ei , atunci cmpul de probabilitate produs i; Ki ; Pi
i=1 i=1 i=1
descrie experimentul compus E, care consta n producerea independenta a ex-
perimentelor E1 , E2 , ..., EN .
Daca Ai este un eveniment care se asociaza experimentului Ei , avnd proba-
bilitatea Pi (Ai ) n ( i ; Ki ; Pi ), atunci 1 2 i 1 Ai i+1 N este
un eveniment care se asociaza experimentului
! E
s i se produce cu aceeas i probabil-
YN ON ON O N
itate n i; Ki ; Pi .(Avem Pi ( 1 2 i 1 Ai i+1 N) =
i=1 i=1 i=1 i=1
iY1 N
Y
Pl ( l) Pi (Ai ) Pl ( i) = Pi (Ai ).
l=1 l=i+1
(b)Pentru o familie numarabila de cmpuri de probabilitate ( i ; Ki ; Pi )i 1
1 1
!
O Y
denim Ki = B Ai j Ai 2 Ki si card(fi 2 I j Ai 6= i g) < 1 .Se demon-
i=1 i=1
1
O 1
Y
streaza ca Ki este corp borelian pe i si exista o unica probabilitate
i=1 i=1
23
1 1 1
! 1 1
!
O Y O O Y Y
Pi pe i; Ki astfel nct Pi Ai = Pi (Ai ) pen-
i=1 i=1 i=1 i=1 i=1 Ai 6= i
tru orice familie numarabila de evenimente (Ai )i2I astfel nct
! Ai 2 Ki si
1
Y 1
O 1
O
card(fi 2 I j Ai 6= i g) < 1.Cmpul i; Ki ; Pi este cmpul de
i=1 i=1 i=1
probabilitate produs al cmpurilor ( i ; Ki ; Pi )i 1 .

[4.1].Urnele U1 , U2 , ..., Un contin respectiv k1 bile numerotate u11 , u21 , ...,
uk11 , k2 bile numerotate u12 , u22 , ..., uk2 1 2 kn
2 , ..., kn bile numerotate un , un , ..., un .Se
extrage la intmplare o bila dintr-una din urne.Calculam probabilitatea ca bila
extrasa sa e din urna Uj si probabilitatea ca bila extrasa sa e din urnele Ui
sau Uj .
Rezolvare:
Experimentului i se asociaza cmpul lui Laplace ( ; P ( ) ; PC ) unde =
Arp j r = 1; 2; :::; kp ; p = 1; 2; :::; n , Arp ind evenimentul "se extrage bila urp1 ".Evenimentele
1 1
elementare sunt egal probabile, cu probabilitatea card( ) = k1 +k2 + +kn .
Daca Aj este evenimentul "bila extrasa este din urna Uj " j = 1; n, atunci
card(A ) k card(A [A ) k +k
PC (Aj ) = card( j) = k1 +k2 +j +kn si PC (Ai [ Aj ) = card(i ) j = k1 +k2i + j+kn .
Pentru calculul acelora si probabilitati putem adopta modelul din Propozitia
3.2.
Sistemul de evenimente = fA1 ; A2 ; :::; An g din P ( ) este un sistem com-
plet.Pentru a calcula probabilitatea evenimentului "bila extrasa este din una
din urnele Ui sau Uj " putem asocia cmpul de probabilitate ( ; K ; P ), cu
P denit de sistemul de numere (PC (Ai ))i=1;n .Astfel, conform [3.2], pentru
Ai [ Aj 2 K , obtinem:
k
P (Ai [ Aj ) = PC (Ai ) + PC (Aj ) = k1 +k2k+i +kn + k1 +k2 +j +kn .
[4.2].Consideram urnele U1 , U2 , ..., Un ca n exemplul [4.1] si experimentul

aleator care consta n n extrageri succesive fara revenire.
Calculam probabilitatea evenimentului B3 : "bilele obtinute n primele 3
extrageri sa e respectiv din urnele U1 , U2 , U3 si probabilitatea evenimentului
Bn :"prima bila extrasa este din urna U1 , a doua bila extrasa este din urna U2 ,
...., a n-a bila extrasa este din urna Un ".
Rezolvare:
Fie Ai evenimentul "bila obtinuta la extragerea "i" este din Ui "
B3 = A1 \A2 \A3 si din [3.5].(a), P (B3 ) = P (A1 ) P (A2 j A1 ) P (A3 j A1 \ A2 ).
P (A1 ) reprezinta probabilitatea de a extrage k1 +k2 + +kn bile, din care o
bila este din U1 , continnd k1 bile.n cmpul lui Laplace de ordin k1 +k2 + +kn ,
P (A1 ) = k1 +k2k+1 +kn
P (A2 j A1 ) reprezinta probabilitatea de a extrage din (k1 1) + k2 + + kn
bile una care sa e n U2 , continnd k2 bile.n cmpul lui Laplace de ordin
k1 + k2 + + kn 1, P (A2 j A1 ) = k1 +k2 +k2 +kn 1 .
24
P (A3 j A1 ) reprezinta probabilitatea de a extrage din (k1 1) + (k2 1) +
+ kn bile una care sa e n U3 , continnd k3 bile.n cmpul lui Laplace de
ordin k1 + k2 + + kn 2, P (A3 j A1 \ A2 ) = k1 +k2 +k3 +kn 2 .
k1 k2 k3
Obtinem ca P (B3 ) = (k1 +k2 + +kn )(k1 +k2 + +kn 1)(k1 +k2 + +kn 2)
si P (Bn ) =
k1 k2 kp
(k1 +k2 + +kn )(k1 +k2 + +kn 1)(k1 +k2 + +kn p+1) .
[4.3].Consideram ca urnele U1 , U2 , ..., Un din exemplul [4.1] contin bile rosii
si bile albe.Se stie ca probabilitatea ca la o extragere urna Uj sa se obtina o bila
rosie este pj ; j = 1, 2, ..., n.Se extrage la ntmplare o bila.
Calculam probabilitatea ca bila extrasa sa e rosie.
Rezolvare:
Asociem experimentului cmpul lui Laplace ( ; K; P ), cu P = PC si con-
sideram evenimentele Aj ca n [4.1], avnd probabilitatile P (Aj ) = k1 +k2k+i +kn .
Fie A evenimentul "bila extrasa este alba".Cum (Aj )j=1;n este sistem com-
Xn
plet de evenimente, aplicnd formula probabilitatii totale, P (A) = P (Aj ) P (A j Aj ),
j=1
P (A j Aj ) reprezentnd probabilitatea ca din kj bile existente n urna Uj sa se
extraga o bila alba, adica P (A j Aj ) = pj .
Obtinem P (A) = k1 p1k+k 2 p2 + +kn pn
1 +k2 + +kn
.
[4.4].ntr-un test de abilitate pe un computer se constata ca probabilitatea
ca sa apara o defectiune ntr-o luna de functionare este p = 0; 10.
Calculam probabilitatea ca el sa se defecteze de 3 ori ntr-un an.
Rezolvare:
Tinnd
seama de [3.10.1] (b), probabilitatea cautata rezulta conform Schemei
binomiale, aplicata pentru p = 0; 10, r = 3, k = 12.
Astfel, probabilitatea evenimentului E12;3 ;"apar 3 defectiuni ntr-un an" este
3 3 9
P (E12;3 ) = C12 (0; 1) (0; 9) :
[4.5].ntr-un lot de 12 produse, 8 sunt corespunzatoare normelor presta-
bilite.Se extrage la ntmplare cte un produs din ecare din cele 100 loturi
identice.
(a)Calculam probabilitatea ca 80 sa e corespunzatoare.
(b)Determinam cel mai probabil numar de produse corespunzatoare, din 100
extrase.
Rezolvare:
(a)Conform Schemei binomiale, aplicata pentru m=8, n-m=4, k=100, r=80,
probabilitate evenimentului E80;100 :"80 de produse selectate corespund" este
8 80 8 20 100 280
P (E100;80 ) = C10080
12 1 12 = 811 82
2 20 3100 .
( b)Tinnd
seama de [3.1.10] (b), cel mai probabil numar de aparitii ale
unui produs corespunzator este rangul celui mai mare termen din dezvoltarea
k 8 4
binomiala (p + q) , p = 12 , q = 12 , k = 100.
Acesta rezulta ca solutie n multimea f1; 2; :::; 101g a sistemului de ine-
galitati:
100 r+1 2
r 3 1 r 40; 4
100 r+2 2 ,
r 1 3 1 r 41; 4
25
Se obtine ca cel mai probabil numar de produse corespunzatoare este r = 41,
8 40 4 60 100 240
iar probabilitatea lui de aparitie este C100 40
12 12 = 611 62
2 40 3100 .
[4.6].O societate de asistenta pentru un sistem de aparate primeste piese de
la furnizorii F1 , F2 , F3 .Furnizorul F1 livreaza piese defecte cu probabilitatea 0,2,
F2 livreaza piese defecte cu probabilitatea 0,5, iar F3 cu probabilitatea 0,3.n
urma unei achizitii se constata ca 20 piese nu corespund standardelor.
Calculam probabilitatea ca 3 dintre ele sa provina de la F1 , 15 de la F2 , iar
2 de la F3 .
Rezolvare:
Conform schemei multinomiale, aplicata pentru k = 20, n1 = 3, n2 = 15,
n3 = 2, p1 = 0; 2, p2 = 0; 5, p3 = 0; 3, probabilitatea ceruta este
20! 3 15 2
pk (n1 ; n2 ; n3 ) = 3!15!2! (0; 2) (0; 5) (0; 3) = 103336 10 18 .
[4.7].Un lot contine contine 20 produse de tipul T1 , 15 de tipul T2 , 25 de
tipul T3 si 40 de tipul T4 .
Calculam probabilitatea ca extragnd la ntmplare 20 de produse, acestea
sa e n numar egal de ecare tip.
Rezolvare:
Conform schemei hipergeometrice, aplicata pentru 1 = 20, 2 = 15, 3 =
25, 4 = 40 si n1 = n2 = n3 = n4 = 5, k = 20, probabilitatea este
5 5 5 5
C20 C15 C25 C40
20
C100
.
[4.8].Candidatii C1 , C2 , C3 la un concurs prefera pentru examinare respectiv
subiectele Si1 , Si2 , Si3 .
Calculam probabilitatea ca cel putin un candidat sa primeasca subiectul
preferat, atunci cnd se distribuie aleator cele trei subiecte.
Rezilvare:
Aplicam rezultatul din 3.14, cu n=3.
X 3
( 1)r
Probabilitatea cautata este 1 r! =1 1 11 + 12 16 = 23 .
r=0
[4.9].Probabilitatea de defectare a componentei C1 a unui aparat este q1 =
0; 2, componentei C2 este q2 = 0; 8 si a componentei C3 este q3 = 0; 85:
Calculam probabilitatea evenimentelor:
(a) "doua componente se defecteaza si una nu"
(b) "toate trei componentele functioneaza fara defectiuni".
(c) "cel mult doua componente se defecteaza".
Rezolvare:
( a)Fie Er evenimentul " r componente se defecteaza " r = 0, 1, 2, 3.
Conform schemei lui Poisson, aplicata pentru p1 = 0; 8 ; p2 = 0; 2 ; p3 =
0; 15,
probabilitatea ceruta este P (E2 ) = c1 , c1 coecientul lui x1 din dezvoltarea
Q (x) = (p1 x + q1 ) (p2 x + q2 ) (p3 x + q3 ).
Avem c1 = p1 q2 q3 + p2 q1 q3 + p3 q1 q2 , c2 = 0; 8 0; 8 0; 85 + 0; 2 0; 2 0; 85 +
0; 15 0; 2 0; 8 = 0; 602.
(b) probabilitatea ceruta este P (E0 ) = c3 , c3 coecientul lui x3 din aceeasi
dezvoltare.
26
Avem c3 = p1 p2 p3 = 0; 8 0; 2 0; 15 = 0; 024.
(c) Fie Er evenimentul " r componente se defecteaza " r = 0, 1, 2, 3.
P ("cel mult doua componente se def ecteaza") = P (E0 [ E1 [ E2 ) = P (E0 )+
P (E1 )+P (E2 ) = c3 +c2 +c1 = p1 p2 p3 +(p1 p2 q3 + p1 p3 q1 + p2 p3 q1 )+(p1 q2 q3 + p2 q1 q3 + p3 q1 q2 ) =
0; 8 0; 2 0; 15+(0; 8 0; 2 0; 85 + 0; 8 0; 15 0; 8 + 0; 2 0; 15 0; 2) + (0; 8 0; 8 0; 85 + 0; 2 0; 2 0; 85 + 0; 15 0;
0:024 + 0; 292 + 0; 602 = 0:918.
5.Teme de control
[5.1].Sa se demonstreze rezultatul din [3.17].

[5.2].Sa se calculeze probabilitatea din schema binomiala [3.10] asociind ex-
perimentului E compus dintr-o succesiune de k experimente Bernoulli indepen-
dente E1 , E2 , ..., Ek (constnd din cele k extrageri succesive, cu revenire din
urna U ) cmpul de probabilitate produs al cmpurilor ( i ; P ( i ) ; Pi ), care se
asociaza lui Ei i = 1; k.
[5.3].Sa se calculeze probabilitatea din Schema lui Poisson [3.15] asociiind
experimentului E compus din k experimente Bernoulli independente E1 , E2 , ...,
Ek (constnd din cele k extrageri din urnele U1 , U2 , ..., Uk ) cmpul de proba-
bilitate produs al cmpurilor ( i ; P ( i ) ; Pi ), care se asociaza lui Ei i = 1; k.
[5.4].Urnele U1 , U2 , ..., UN contin ml bile rosiisi nl ml bile albe l = 1, 2,
..., N .Se alege la ntmplare o urna si se extrage o bila.
Sa se calculeze probabilitatea ca bila extrasa sa e rosie.
[5.5].Fie ( ; K; P ) un cmp de probabilitate.
(a)Sa se arate ca pentru orice doua evenimente A, B 2 K avem:
P ((A n B) [ (B n A)) = P (A) + P (B) 2P (A \ B).
(b)Fie A1 , !A2 , ..., An 2 K.Sa se arate ca:
\n X n
P Ak P (Ak ) (n 1).
k=1 k=1
[5.6].Fie ( ; K; P ) un cmp de probabilitate si A, B evenimente din K.Se
dau P (A) = 0; 6 si P (A [ B) = 0; 8.
Sa se determine P (B) n ecare din cazurile:
(a)A si B sunt evenimente incompatibile.
(b)A si B sunt evenimente independente.
(c)P (A j B) = 0; 7.
[5.7].Fie ( ; K; P ) un cmp de probabilitate si B un eveniment din K cu
P (B) > 0.
Sa se arate ca:
(a)P (A j B) = P (A \ D j B) + P (A \ CD j B).
(b)P (A [ D j B) = P (A j B) + P (D j B) P (A \ D j B)
pentru orice evenimente A, C 2 K.
[5.8].O urna contine m bile rosii si (n m) bile albe.Se efectueaza exper-
imentul compus dintr-o succesiune de experimente Ek , k = 1; 2; 3; :::.constnd
ecare din extragerea unei bile din urna si reintroducerea ei napoi mpreuna cu
alte doua bile de aceeasi culoare.
Sa se determine probabilitatea ca o bila de culoare rosie sa e selectata
27
(a)n ecare dintre primele 3 experimente.
(b)n ecare dintre primele k experimente.
[5.9].La un centru de prelucrare a unor date statistice se introduc date
observate pe 3 caracteristici.Pentru datele observate pe prima caracteristica se
folosesc 2 computere, pentru datele observate pe a doua caracteristica se folosesc
4 computere, iar pentru cele observate pe a treia caracteristica se folosesc 5
computere.Probabilitatea ca prima clasa de date sa e introdusa cu erori este
0,05, ca a doua clasa de date sa e introdusa cu erori este 0,1 si ca a treia sa e
introdusa cu erori este 0,035.
Se selecteaza la ntmplare un set continnd datele culese pe una din carac-
teristici.
(a)Sa se determine probabilitatea ca setul ales sa contina erori.
(b)Stiind ca setul extras contine erori, sa se determine probabilitatea ca el
sa contina datele observate pe a treia caracteristica.
[5.10].Unul dintre subsistemele unui sistem mecanic este format din m ele-
mente si altul din n elemente.Pe durata t de functionare a sistemului ecare din-
tre componentele primului subsistem iese din functiune independent de celelate
cu probabilitatea p1 2 (0; 1) si ecare dintre componentele celuilalt subsistem
iese din functiune independent de celelate cu probabilitatea p2 2 (0; 1).
Sa se determine probabilitatea ca din primul subsistem sa iasa din functiune
mai multe componente dect din cel de-al doilea.
[5.11].Timpul optim de receptare a unui semnal, de la emiterea acestuia,
este 2 sec. Probabilitatea ca semnalul sa e receptat n mai putin de 2 sec este
0,12, n 2 sec este 0, 7 si n mai mult de 2 sec este 0,18.Se emit independent 30
de semnale identice.Sa se determine probabilitatea ca:
(a)10 sa e receptate n mai putin de 2 sec, 15 sa e receptate n 2 sec si 5
n mai mult de 2 sec.
(b) cel putin 25 de semnale sa e receptate n timp optim.
(c)cele mai multe semnale sa e receptate n timp optim.
[5.12].Fie ( ; K; P ) un cmp de probabilitate si A, B 2 K evenimente
independente.
Sa se arate ca evenimentele A si CB sunt independente.Sa se deduca inde-
pendenta evenimentelor CA si CB.
28
MODULUL II
1.Variabile aleatoare reale.

Reparti tia unei variabile aleatoare reale
2.Functia de repartitie a unei variabile aleatoare reale
3.Variabile aleatoare reale discrete
4.Variabile aleatoare reale continue
5.Variabile aleatoare n - dimensionale
Reparti tia unei variabile aleatoare n-dimensionale.
6.Variabile aleatoare bidimensionale discrete
7.Variabile aleatoare bidimensionale continue
8.Functii de variabile aleatoare
10.Teme de control
1.Variabile aleatoare reale.

Deseori suntem interesati de un fenomen aleator care se produce ca si con-
secinta directa a unui fenomen aleator F modelat de cmpul de probabilitate
( ; K; P ), si care se prezinta ca forma n care F se reecta n plan cantitativ.
Un astfel de fenomen, ct si un anumit aspect care tine de manifestarea
lui F si care se observa n planul real este descris de o aplicatie univoca f :
( ; K; P ) ! R, de la care se cere ca evenimentele care se descriu relativ la
repartizarea valorilor ei pe axa reala sa e legate de fenomen.
Denirea notiunii necesita considerarea corpului borelian al lui R generat de
familia M = f( 1; a) j a 2 Rg (ca n Propozitia 3.17, I), pe care l notam BR .
Precizam ca BR contine toate intervalele ( 1; a], (a; 1), [a; 1), [a; b], [a; b),
\1
(a; b], (a; b) din R (avem ( 1; a] = ( 1; an ) an # a ; (a; 1) = C ( 1; a];
n=1
[a; 1) = C ( 1; a); [a; b] = ( 1; b] \ [a; 1); [a; b) = [a; 1) \ ( 1; b); (a; b] =
(a; 1) \ ( 1; b], (a; b) = ( 1; b) \ (a; 1).
Un element A al lui BR se numeste multime boreliana.
[1.1].Deni tie.Fie ( ; K; P ) un cmp de probabilitate.O functie f : ( ; K; P ) !
(R; BR ) cu proprietatea f! 2 j f (!) 2 Ag (8) A 2 BR se numeste variabila
aleatoare reala.
n scopul de a specica o caracterizare echivalenta a notiunii de variabila
aleatoare, utila pentru stabilirea determinarilor repartitiei variabilei, mentionam
urmatorul rezultat referitor la imaginea inversa printr-o aplicatie, ca homeomor-
sm relativ la operatiile de reuniune, intersectie, complementara cu multimi.
[1.2].Propozi tie.Pentru orice aplicatie f : ! R, sunt adevarate egalitatile:
(a) f 1 (CA) =!Cf 1 (A) (8) A 2 P ( )
[ [
(b) f 1 Ai = f 1 (Ai ) (8) (Ai )i2I o familie de elemente din P ( ),
i2I i2I
nu neaparat numarabila.
1
!
\ \
1 1
(c) f Ai = f (Ai ) (8) (Ai )i2I o familie de elemente din P ( ),
i2I i2I
nu neaparat numarabila.
[1.3].Teorema.Fie ( ; K; P ) un cmp de probabilitate si f : ( ; K; P ) !
(R; BR ).Urmatoarele armatii sunt echivalente:
(a) f este variabila aleatoare
(b) f! 2 j f (!) < ag 2 K (8) a 2 R.
(c) f! 2 j f (!) ag 2 K (8) a 2 R.
(d) f! 2 j f (!) > ag 2 K (8) a 2 R.
(e) f! 2 j f (!) ag 2 K (8) a 2 R.
Demonstratie:
Pentru echivalenta (a),(b) este sucient sa demonstram ca orice functie cu
proprietatea din 1.3 (b) este variabila aleatoare.
Pentru aceasta, e familia de parti = A R j f 1 (A) 2 K .Aratam ca
este un corp borelian al lui R, care contine M = f( 1; a) j a 2 Rg.Din 3.17,.I
va rezulta ca BR :
Astfel,
f 1 (R) = 2 K, deci R 2 .
Daca A 2 , atunci f 1 (A) 2 K, deci Cf 1 (A) 2 K.Din 1.2 (a) avem
1
f (CA) 2 K, adica CA 2 .
Daca An 2 n = 1, 2, ... atunci f 1 (A) ! 2 K n = 11, 2, ... deci
1
[ 1
[ [
f 1 (An ) 2 K.Din 1.2 (b) avem f 1 An 2 K, adica An 2 BR ,
n=1 n=1 n=1
deci sunt vericate axiomele din 1.6.I.
Evident, (b),(e) si (c),(d).Este sucient sa aratam ca (b) !(c) si (d) !(e). !
\1
Presupunem (b) adevarata.Pentru a 2 R, f 1 (( 1; a]) = f 1 ( 1; an )
m=1
1
\
1 1
an # a.Din 1.2 (c) si 1.7 I avem f (( 1; a]) = f (( 1; an )) 2 K.
n=1
1
!
\
1 1
Presupunem (d) adevarata.Pentru a 2 R, f ([a; 1)) = f (an ; 1)
m=1
1
\
1 1
an " a.Din 1.2 (c) si 1.7 I avem f ([a; 1)) = f ((an ; 1)) 2 K.
n=1
Valorile punctuale f (!) ale unei variabile aleatoare sunt valori aleatoare, da-
torita caracterului aleator al elementelor !, ca evenimente elementare n cmpul
( ; K; P ) :n studiul probabilistic nu suntem interesati de acestea, ci de familia
evenimentelor f! 2 j f (!) 2 Ag (8) A 2 BR si de probabilitatile acestor
evenimente, care determina legea de probabilitate dupa care valorile punctuale
se repartizeaza pe R.
Rezultatul urmator priveste structura de corp borelian a familiei B (f ) =
f 1 (BR ) a acestor evenimente, observate n planul real prin transformarea f
a modelului ( ; K; P ).Aceasta releva faptul ca B (f ) reprezinta familia tuturor
2
evenimentelor care se pot considera relativ la f si ca ( ; B (f ) ; P ) este un model
sucient pentru studiul matematic al manifestarii fenomenului, concentrat pe
f.
[1.4].Propozi tie.Asociem variabilei aleatoare f : ( ; K; P ) ! (R; BR ) fa-
milia B (f ) = ff! 2 j f (!) 2 Ag (8) A 2 BR g, adica B (f ) = f 1 (BR ).Atunci,
B (f ) este un corp borelian al lui .
Evenimentele corpului borelian asociat lui f nu depind dect de f , n sensul
ca pentru a observa daca un astfel de eveniment s-a realizat, este sucient sa
cunoastem valorile lui f .
[1.5].Deni tie.Fie f : ( ; K; P ) ! (R; BR ) o variabila aleatoare.Probabilitatea
Pf : (R; BR ) ! [0; 1] denita de Pf (A) = P (f 2 A) A 2 BR se numeste repar-
titia (sau distributia) lui f .
Notam aceasta probabilitate Pf = P f 1 si o mai numim imaginea lui P
prin f:
Din 1.4 rezulta ca repartitia lui f este determinata de restrictia P jf 1 (BR ) .
n general, orice probabilitate pe BR se mai numeste repartitie sau lege pe
R.
Daca este o repartitie pe R si f este o variabila aleatoare avnd repartitia
, vom scrie f s .
[1.6].Deni tie.Fie f1 , f2 : ( ; K; P ) ! (R; BR ) variabile aleatoare.
(a)daca P (f! 2 j f1 (!) = f2 (!)g) = 1, spunem ca f1 si f2 sunt egale
aproape sigur si scriem f1 = f2 P a.s.
(b)doua variabile aleatoare se numesc identic repartizate daca au aceeasi
repartitie.
Sunt utile urmatoarele propozitii, ce
[1.7].Propozi tie.Daca f : ( ; K; P ) ! (R; BR ) este variabila aleatoare,
atunci
f + a, af , jf j, f 2 , f1 1f!jf (!)6=0g a 2 R
sunt variabile aleatoare.
Demonstratie:
Conform teoremei 1.3 este sucient sa aratam ca pentru orice x 2 R (f + a < x),
(af < x), (jf j < x), f 2 < x , f1 1f!jf (!)6=0g < x sunt evenimente din K.
Astfel, se observa ca
(f + a < x) 8 = (f < x a), x 2 R.
>
> f < xa daca a > 0, x 2 R
<
f > xa daca a < 0, x 2 R
(af < x) =
>
> , daca a = 0 si x > 0
:
?, daca a = 0 si x 0
(f < x) [ (f > x) , daca x 0
(jf j < x) =
?, daca x < 0
p
(jf j < x) , daca x 0
f2 < x =
?, daca x < 0
3
8 1
>
> f> x \ (f > 0) , daca x > 0
>
> 1
< f< x \ (f > 0) , daca x < 0
1 1
f 1f!jf (!)6 = <x =
0g f< x \ (f < 0) , daca x > 0 :
>
> 1
>
> f> x \ (f < 0) , daca x < 0
:
(f < 0) , daca x = 0
Tinem
seama ca evenimentele (f < y), (f > y) y 2 R sunt n K, asa cum
rezulta din Teorema 1.3.
[1.8].Propozi tie.Daca f; g : ( ; K; P ) ! (R; BR ) sunt variabile aleatoare,
atunci
(a) (f < g), (f g), (f = g) sunt evenimente din K
(b) f + g, f g, fg 1f!jg(!)6=0g sunt variabile aleatoare.
Demonstratie:
(a) Este sucient
[ [sa observam ca
n n
(f < g) = f<m \ g>m .
m2Z n2N
(f g) = C (g < f )
(f = g) = (f g) \ (g f ).
Tinem
seama ca pentru x 2 R (f < x), (g < x), (f x), (g x) sunt
evenimente din K, asa cum rezulta din Teorema 1.3.
(b) (f + g < x) = (f < ( 1) g + x) si tinem seama ca ( 1) g+x este variabila
aleatoare, asah cum rezulta din 1.7.i (1).
1 2 2 2
f g = 2 (f + g) f +g si tinem seama de (1) si de 1.7. (2)
f 1 1
g 1f!jg(!)6=0g = f g 1f!jg(!)6=0g si tinem seama ca g 1f!jg(!)6=0g este
1
variabila aleatoare, asa cum rezulta din 1.7 si f g 1f!jg(!)6=0g este variabila
aleatoare, asa cum rezulta din (2).
[1.9].Propozi tie.Daca f : ( ; K; P ) ! (R; BR ) este o variabila aleatoare si
g : R ! R este astfel nct g 1 (B) 2 BR (8) B 2 BR , atunci g f : ( ; K; P ) !
(R; BR ) este variabila aleatoare.
Demonstratie:
Pentru orice B 2 BR avem
1
(g f ) (B) = f 1 g 1 (B) .Cum g 1 (B) 2 BR si f este variabila aleatoare,
1
rezulta f g 1 (B) 2 K.
Remarca:Functiile continue au proprietatea din 1.9, deci n particular, ar-
matia este adevarata pentru orice functie ' continua.
Prin urmare, ef , ln f , f , etc. sunt variabile aleatoare.
[1.10].Propozi tie.Fie fn : ( ; K; P ) ! (R; BR ); n 1 un sir de variabile
aleatoare si h, g, f , f : ! R denite astfel:
h (!) = sup fn (!); g (!) = inf fn (!); f (!) = lim sup fn (!); f (!) =
n 1 n 1 n!1
lim inf fn (!).
n!1
Daca pentru orice ! 2 h (!), g (!), f (!), f (!) sunt nite, atunci h, g,
f , f sunt variabile aleatoare.
Demonstratie:
Este sucient sa demonstram una din armatiile din Teorema 1.3.
4
Pentru x 2[
R sunt adevarate egalitatile
(h > x) = (fn > x),
n2N
[
(g < x) = (fn < x)
n2N
si tinem seama ca (fn < x), (fn > x) 2 K, asa cum rezulta din Teorema
1.3. (1).
Apoi,
f (!) = inf sup fn (!); f (!) = sup inf fn (!),
m 1n m m 1n m
si tinem seama ca h(m) = sup fn (!), g (m) = inf fn (!) sunt variabile
n m n m
aleatoare, asa cum rezulta din (1), si n continuare inf h(m) , sup g (m) sunt
m 1 m 1
variabile aleatoare.
[1.11].Corolar.Fie fi : ( ; K; P ) ! (R; BR ); i = 1; k variabile aleatoare.Atunci,
g (!) = max fi (!), g (!) = min fi (!) ; ! 2
i=1;k i=1;k
sunt variabile aleatoare.
Demonstratie:
Aplicam Propozitia 1.10 pentru fi 0 (8) i k + 1.
Evident, pentru orice a 2 R, aplicatia fa : ( ; K; P ) ! (R; BR ), fa (!) = c
, daca a < x
este o variabila aleatoare (avem (fa < x) = .
?, daca a x
2.Func tia de repartitie a unei variabile aleatoare reale

Orice repartitie pe R este descrisa de valorile ei pe sistemul M = f( 1; a) j a 2 Rg,
care genereaza BR .Familia ( ( 1; x))x2R deneste corespondenta x ! ( 1; x),
cu rol fundamental n determinarea legii de probabilitate si n studiul pro-
prietatilor acesteia.
[2.1].Deni tie.Fie o repartitie pe R.Numim functia de repartitie a lui
functia F : R ! R, F (x) = (( 1; x)).
[2.2].Propozi tie.Fie F : R ! R functia de repartitie a repartitiei .Sunt
adevarate proprietatile:
(a)F este nedescrescatoare.

(b) lim F (x) = 0 (F ( 1) = 0).
x! 1
(c) lim F (x) = 1 (F (1) = 1).
x!!1
(d)F este marginita.
(e)F este continua la stnga.
Demonstratie:
(a)Daca x1 < x2 , atunci ( 1; x1 ) ( 1; x2 ), deci (( 1; x1 )) (( 1; x2 )),
adica F (x1 ) F (x2 ) :
(b)Pentru an # 1 (( 1; an ))n 1 este sir descrescator de multimi, cu
1
\
lim ( 1; an ) = ( 1; an ) = ?.Din 2.6 (c).I rezulta lim (( 1; an )) =
n!1 n!1
n=1
5
0, adica lim F (an ) = 0.
n!1
(c)Pentru an " 1 (( 1; an ))n 1 este sir crescator de multimi, cu lim ( 1; an ) =
n!1
1
[
( 1; an ) = ( 1; 1).Din2.6 (a) .I rezulta lim (( 1; an )) = (( 1; 1)) =
n!1
n=1
1, adica lim F (an ) = 1.
n!1
(d)Evident, pentru orice x 2 R F (x) = (( 1; x)) 2 [0; 1].
(e)Pentru an " a (( 1; an ))n 1 este sir crescator de multimi, cu lim ( 1; an ) =
n!1
1
[
( 1; an ) = ( 1; a).Din 2.6.(a) I rezulta lim (( 1; an )) = (( 1; a)),
n!1
n=1
adica lim F (an ) = F (a).
n!1
[2.3].Deni tie.O functie F : R ! R cu proprietatile din Propozitia 2.2 se
numeste functie de repartitie.
[2.3.1].Remarca:
Daca F : R ! R este o functie de repartitie, atunci exista o repartitie pe
R astfel nct sa aiba pe F ca functie de repartitie.
De asemenea, se poate construi un cmp de probabilitate ( ; K; P ) si o
variabila aleatoare f : ( ; K; P ) ! (R; BR ) astfel nct P f 1 = (precizam
ca f nu este unica cu aceasta proprietate).
Precizam ca demonstratia acestui rezultat, fundamental pentru stabilirea
corespondentei biunivoce dintre o repartitie si functia de repartitie asociata
necesita constructii ce folosesc tehnici ale Teoriei masurii, care depasesc cadrul
teoretic la care ne-am propus sa ne limitam.
Mentionam si alte proprietati ale functiei de repartitie.
adevarate proprietatile:
(a) (fxg) = F (x + 0) F (x) x 2 R

(b) Multimea punctelor de discontinuitate ale lui F este cel mult numarabila.
Demonstratie:
1
\ \1
(a)Pentru x 2 R si xn # x , fxg = [x; xn ) = [( 1; xn ) n ( 1; x)] : (( 1; xn ) n ( 1; x))n 1
n=1 n=1
este sir descrescator de multimi si din 2.6 (b) I, rezulta (fxg) = lim ((( 1; xn ) n ( 1; x))) =
n!1
lim ( 1; xn ) (( 1; x)) = lim F (xn ) F (x).
n!1 xn #x
(b)Rezulta din proprietatea de monotonie din 2.2 (a).
[2.5].Corolar.F este continua daca si numai daca (fxg) = 0 (8) x 2 R.
Demonstratie:
Rezulta din 2.2 (d) si 2.6 (a).
Egalitatile din propozitia urmatoare sunt utile pentru calculul valorilor repar-
titiei pe anumite multimi boreliene, atunci cnd se cunoaste functia de repartitie.
adevarate egalitatile:
(a) (( 1; a]) = F (a) + (fag) a 2 R
6
(b) ((a; 1)) = 1 F (a) fag a 2 R
(c) ((a; b)) = F (b) F (a) (fag) a; b 2 R; a < b
(d) ([a; b)) = F (b) F (a) a, b 2 R; a < b
(e) ((a; b]) = F (b) F (a) (fag) + (fbg) a, b 2 R; a < b
(f) ([a; b]) = F (b) F (a) + (fbg) a, b 2 R; a < b
Demonstratie:
Tinem
seama de proprietatile din 2.4 (b) si (c), I.
(a) (( 1; a]) = (( 1; a) [ fag) = (( 1; a)) + (fag) = F (a) +
(fag).
(b) ((a; 1)) = (Rn ( 1; a]) = (R) (( 1; a]) = 1 (F (a) + (fag)).
(c) ((a; b)) = (( 1; b) n ( 1; a]) = (( 1; b)) (( 1; a]) = F (b)
(F (a) + (fag)).
(d) ([a; b)) = (( 1; b) n ( 1; a)) = (( 1; b)) (( 1; a)) = F (b)
F (a).
(e) ((a; b]) = (( 1; b) n ( 1; a] [ fbg) = (( 1; b)) (( 1; a]) +
(fbg) = F (b) (F (a) + (fag)) + (fbg).
(f) ([a; b]) = (( 1; b] n ( 1; a)) = (( 1; b]) (( 1; a)) = (F (b) + (fbg))
F (a).
[2.7].Deni tie.Fie f : ( ; K; P ) ! (R; BR ) o variabila aleatoare.Numim
functia de repartitie a lui f functia de repartitie a repartitiei Pf = P f 1 .
Notam aceasta functie Ff .
Tinnd
seama de1.5 si 2.1 rezulta ca legea acestei functii este data prin f
astfel:
Ff (x) = P (f < x), x 2 R [2.7.1].
De asemenea, rezulta ca relatiile din 2.6 se scriu pentru = Pf ca n 2.8.
[2.8].Propozi tie.Fie Ff functia de repartitie a variabilei aleatoare f : ( ; K; P ) !
(R; BR ).Sunt adevarate egalitatile:
(a) P (f a) = Ff (a) + P (f = a) a2R
(b) P (f > a) = 1 Ff (a) P (f = a) a 2 R
(c) P (a < f < b) = Ff (b) Ff (a) P (f = a) a, b 2 R; a < b
(d) P (a f < b) = Ff (b) Ff (a) a, b 2 R; a < b
(e) P (a < f b) = Ff (b) Ff (a) P (f = a) + P (f = b) a, b 2 R; a < b
(f) P (a f b) = Ff (b) Ff (a) + P (f = b) a, b 2 R; a < b.
3.Variabile aleatoare reale discrete

Vom spune ca o variabila aleatoare este discreta daca multime a valorilor ei
este cel mult numarabila.n cazul n care multimea valorilor este nita, spunem
ca variabila aleatoare este simpla.
Urmatoarele propozitii descriu legea functionala si legea de probabilitate a
unei astfel de variabile.
[3.1].Propozi tie.Fie X : ( ; K; P ) ! (R; BR ) o variabila aleatoare dis-
creta.Atunci,X
X (!) = xi 1Ai (!), unde
i2I
fxi j i 2 Ig = X ( ), I cel mult numarabila si fAi j i 2 Ig este un sistem
complet de evenimente n ( ; B (X)),
7
1, daca ! 2 Ai
1Ai (!) = i 2 I.
0, daca ! 2 = Ai
Demonstratie:
Fie Ai = f! 0 2 j X (! 0 ) = xi g i 2 I.Din 1.4 Ai 2 B (X) (8) i 2 I si avem
Ai \ Aj = ? pentru i 6= j.De asemenea, (8) ! 2 (9) xi i 2 I a.. X (!) = xi ,
deci ! 2 Ai .Rezulta ca fAi j i 2 Ig este un sistem complet de evenimente n
( ; B (X)).
Evident, X (!) = xi () ! 2 Ai .
Din demonstratia propozitiei rezulta ca o variabila aleatoare discreta X,
pentru care fx
Xi j i 2 Ig = X ( ) I cel mult numarabila este data de
X (!) = xi 1(!0 jX(!0 )=xi ) (!) ! 2 . [3.1.1]
i2I
[3.2].Corolar.Daca X : ( ; K; P ) ! (R; BR ) este o variabila aleatoare
simpla, atunci
Xn
X (!) = xi 1Ai (!), unde
i=1
fxi j i = 1; 2; :::; ng = X ( ) si fAi j i = 1; 2; :::; ng este un sistem complet de
evenimente n ( ; B (X)).
Petru Ai 2 K, numim functia 1Ai (!) indicatorul multimii Ai .
Evident, 1Ai (!) este o variabila aleatoare.Pentru acesta, este sucient sa
observam ca pentru orice x 2 R
(1Ai (!) < x) = (((1 < x) \ Ai ) [ ((1 < x) \ CAi ))
si tinem seama de Teorema 1.3.
Se stabilesc cu usurinta urmatoare proprietati ale functiei indicator, care
sunt utile pentru tehnicile ce implica variabile aleatoare discrete.
1 = 1, 1? = 0
1A 1B , daca A B [3.3]
1A = 1B , daca A = B
1CA = 1 1A ; 1A\B = 1A 1B ; 1A[B = 1A + 1B 1A\B .
n general,
Yn Xn
1\ n = 1 Ai ; 1 [
n = 1Ai pentru Ai i = 1; 2; :::; n disjuncte
Ai i=1 Ai i=1
i=1 i=1
1[
n = 1A1 + (1 1 A1 ) 1 A2 + + (1 1A1 ) 1 1An 1 1An [ 3.4]
Ai
i=1
Tinnd
seama de regulile din 3.3, 3.4 deducem ca daca X, Y sunt v.a. simple
pe ( ; K; P ) si a 2 R, n 2 N, atunci X + a, aX, jXj, xn , X + Y , XY sunt v.a.
simple.
Pentru a descrie repartitia unei variabile aleatoare discrete, este necesar sa
luam n considerare cel mai simplu exemplu de o astfel de variabila, acela al
unei variabile constante, pentru care I = fi1 g, Ai1 = , xi1 = a 2 R, si pe care
o notam Xa .
Avem:
, daca a 2 B
(Xa 2 B) = , deci PXa (B) =
?, daca a 2=B
8
1, daca a 2 B
P Xa 1 (B) = P (Xa 2 B) = (8) B 2 BR [3.5]
0, daca a 2
=B
Numim repartitia pe R cu legea din 3.5.repartitia Dirac n punctul a sau

masa 1 concentrata n a si o notam "a . X
[3.6].Propozi tie.Fie X : ( ; K; P ) ! (R; BR ) X = xi 1(X=xi ) o vari-
i2I
abila aleatoare discreta.Atunci,
X
X : (R; BR ) ! R, X = pi "xi pi = P (X = xi )
i2I
este o probabilitate si PX = X .
Demonstratie:
Aratam ca X este o probabilitate.
Din 3.1 avem ca f(X = xi )i j i 2 Ig este un sistem complet de evenimente,
deci !
X X X [
X (R) = pi "xi (R) = pi = P (X = xi ) = P (X = xi ) =
i2I i2I i2I i2I
P ( ) = 1 (1)
Evident, X (?) = 0 si cum X este functie nedescrescatoare de multimi
(lucru care se observa considernd ordonarea xi1 xi2 xik a
valorilor (xi )i2I ), din (1) se mai obtine ca 0 X (B) 1, (8) B 2 BR :
Daca Bn 2 B!R sunt astfel nct Bm!\ Bn = ? pentru m 6= n, atunci
[1 X [1 X X 1 X1 X
X Bn = pi "xi Bn = pi "xi (Bn ) = pi "xi (Bn )

n=1 i2I n=1 i2I n=1 n=1 i2I
1
X
= X (Bn ).
n=1
Aratam acum ca X este repartitia v.a. X.
Fie B 2 BR :Aplicnd formula probabilitatii totale (3.5 (b) I) cu sistemul
complet de evenimente f(XX = xi )i j i 2 Ig, avem X
PX (B) = P (X 2 B) = P (X 2 B j (X = xi )) P (X = xi ) = P (xi 2 B) P (X = xi ) =
i2I i2I
X
"xi (B) pi = X (B).
i2I
Din demonstratia propozitiei 3.6 rezulta ca ind dat un sistem de valori reale
(xi )i2I , I multime cel mult numarabila, legea
X X
(B) = pi "xi (B) (8) B 2 BR ; pi 0 i 2 I; pi = 1
i2I i2I
[3.6.1]
dene ste o repartitie pe R.
Din propozitia 3.6 rezulta ca ecarei variabile aleatoare discrete denite ca
n 3.1.1 i se asociaza o functie care-i determina repartitia, numita densitate de
repartitie discreta sau functie de frecventa discreta X : R ! R
P (X = xi ) daca (9) i a.. x = xi
X (x) = 0, daca x 6= xi (8) i
. [3.6.2]
Deseori, aceasta se reprezinta sub forma unui tabel de distributie:
9
xi
[
P (X = xi ) i2I
3.6.3]
Fortat, se mai spune ca sistemul de numere (P (X = xi ))i2I este repartitia
sau distributia lui X (este important sa consideram aici relatia dintre valorile
care indexeaza sistemul de numere si valorile indexate).
X X
Se stabileste simplu ca daca = q j "yj qj > 0 ; qj = 1 si = din
j2J j2J
3.3.1, atunci I = J, pi = qi , xi = yi i 2 I.Tinnd
seama de 3.1 rezulta ca daca
o variabila aleatoare discret
X a X are reparti
t ia 3.6.1, n mod necesar ea va avea
legea functionala X = xi 1(X=xi ) .De aceea, o variabila aleatoare discreta se
i2I
va specica e printr-o repartitie de tipul 3.6.1, sau printr-o functie de frecventa
pi daca X = xi X
X (x) = 0, daca X 6= xi
pi 0 i 2 I; pi = 1 [3.6.4]
i2I
sau printr-un tabel de distributie
xi X
X: pi 0 i 2 I; pi = 1 [3.6.5]
pi i2I
i2I
sau prin sistemul X
(pxi )i2I pxi 0 i 2 I; pxi = 1 [3.6.6]
i2I
[3.7].Exemplu.
Fie ( ; K; P ) cmpul de probabilitate asociat unui experiment Bernoulli n
care (R; CR) este un sistem complet de evenimente, cu P (R) = p, p 2 (0; 1)
(vezi 3.10.1.(b), I).
1 daca ! 2 R
Denim aplicatia, X (!) = ! 2 (adica, X = 1R ).
0 daca ! 2 CR
X : ( ; K; P ) ! (R; BR ) este o variabila aleatoare simpla, care poate reprezenta
rezultatul asociat experimentului.
Avem R = (X = 1), CR = (X = 0), deci lui X i se asociaza tabelul de
distributie:
1 0
X: .
p 1 p
Numim o astfel de variabila aleatoare variabila Bernoulli.
[3.8].Exemplu
Fie ( ; K; P ) cmpul de probabilitate asociat unui experiment compus,
constnd ntr-o succesiune de experimente Bernoulli independente, ( i ; Ki ; Pi )
i = 1, 2, 3, ....; ( i ; Ki ; Pi ) = ( 1 ; K1 ; P1 ) n care (R; CR) este un sistem
complet de evenimente, cu P1 (R) = p, p 2 (0; 1) (de exemplu, experimentul din
1.3, I).
Pentru ! = (! 1 ; ! 2 ; :::; ! n ) 2 n1 denim X (!) = inf fk j ! k 2 Rg.
k2f1;2;:::;ng
X : ( ; K; P ) ! (R; BR ) este o variabila aleatoare discreta, cu multimea valo-
rilor numarabila, care poate reprezenta "momentul" primei aparitii a evenimentuluiR.
10
Avem CR1 CRk 1 Rk CRk+1 = (X = k) si P (X = k) =
k 1
(1 p) p, deci lui X i se asociaza tabelul de distributie:
k k 1
X: p = (1 p) p.
pk k 1 k
X1 Xn
k 1 n
Mentionam ca pk = 1.(Avem Sn = p (1 p) = 1 (1 p) (8)
k=1 k=1
n 1 si cum (1 p) 2 (0; 1), rezulta ca seria geometrica este convergenta, cu
suma 1).
Numim o astfel de variabila aleatoare variabila geometrica.
Cititorul va regasi n Modulul IV si alte exemple reprezentative de variabile
aleatoare discrete.
[3.9].Observa tie:
(a)Functia de repartitie a unei variabile aleatoare discrete date prin una
dintre formele echivalente
8 3.6.1; 3.6.4; 3.6.5; 3.6.6 este data de FX : R ! [0; 1],
>
> 0, daca x xi1
>
>
>
> p i1 , daca x i1 < x xi2
>
>
>
> p i1 + p i2 , daca xix < x xi3
>
>
<
(i) FX (x) =
>
>
>
>
>
>
>
> pi 1 + pi 2 + + pin 1 , daca xin 1 < x xin
>
>
>
>
:
unde fxik jik 2I g = fxi j i 2 Ig si xi1 < xi2 < < xik < xik+1 < .
X X
(ii) FX (x) = pi , unde (pxi )i2I pxi 0 i 2 I; pxi = 1
fi2Ijxi <xg i2I
este distributia lui X.X
(iii) FX (x) = (xi ), unde este functia de frecventa a lui X.
fi2Ijxi <xg
(b)Functia de frecventa a variabilei discrete X este data de
(x) = FX (x + 0) FX (x), unde FX este functia de repartitie a lui X.
Demonstra
Xtie: X
Fie = pi "xi pi 0 i 2 I; pi = 1 repartitia v.a. X.Pentru
i2I i2I
x 2 R putem scrie:
X 1
X
P (X < x) = ( 1; x) = pi "xi ( 1; x) = pij "xij ( 1; x) si obtinem
i2I j=1
X
P (X < x) = pi j (1).
fjjxij <xg
X n
X1
Daca xn 1 x < xn , atunci p ij = pi j .
fjjxij <xg j=1
Evident, (1) este echivalenta cu (ii) si (iii).
11
(b)Rezulta din (a) observnd ca saltul functiei de repartitie n x este FX (x + 0)
pin , daca (9) n a.. x = xin
FX (x) = .
0, daca x 6= xn (8) n
4.Variabile aleatoare reale continue

[4.1].Deni tie.Spunem ca o variabila aleatoare f : ( ; K; P ) ! (R; BR )
este continua daca exista o functie p : R ! R integrabila nenegativa astfel nct
Zx
Ff (x) = p (t) dt (8) x 2 R,
1
unde Ff este functia de repartitie a lui f .
Numim functia p densitatea de probabilitate sau de repartitie a lui f , respec-
tiv a repartitiei lui f .
[4.2].Propozi tie.Fie p densitatea de probabilitate si Ff functia de repartitie
a unei variabile aleatoare f .Atunci,
(a) p este marginita pe orice interval compact si continua aproape peste tot
pe orice interval compact.
(b)Ff este continua si daca p este marginita, atunci p este absolut continua.
(c) pentru orice x 2 R avem P (X = x) = 0.
(d)Ff este derivabila n orice punct de continuitate al lui p si avem
0
(Ff ) (x) = p (x) pentru orice x punct de continuitate al lui p.
Demonstratie:
(a) p este integrabila Riemann pe orice interval compact din R, deci continua
aproape peste tot pe orice astfel de interval.
(b)Pentru orice x1 < x2 avem:
Zx2 Zx2
jF (x1 ) F (x2 )j = p (t) dt jp (t)j dt sup jp (t)j jx1 x2 j.
[x1 ;x2 ]
x1 x1
Din relatiile de mai sus rezulta ca F continua si daca sup jp (t)j M (8)
[x1 ;x2 ]
x1 , x2 2 R, atunci F este lipschitziana, deci este absolut continua.
(c)Rezulta din 2.5.
(d)Asa cum rezulta din (a), multimea D a punctelor de discontinuitate ale
lui p este cel mult numarabila.Atunci, daca x este punct de continuitate pentru
p, gasim > 0 astfel ncat (x ; x + ) R n D.Pentru 0 < h < avem:
Z
x+h
Ff (x+h) Ff (x)
h = h1 p (t) dt (1)
x
Cum p este continua pe [x; x + h], aplicnd Teorema de medie pentru inte-
grala Riemann, rezulta:
Ff (x+h) Ff (x)
h = p x;h , x;h 2 [x; x + h] (2).
0
si avem (Ff )s (x) = lim p x;h = p (x).
x;h!x
0
Analog, (Ff )d (x) = p (x).
[4.3].Deni tie.O functie p : R ! R este o densitate de repartitie daca
verica conditiile:
12
(a) p 0
(b) p este integrabila
Z1
(c) p (t) dt = 1.
1
[4.4].Propozi tie.Daca f : ( ; K; P ) ! (R; BR ) este o variabila aleatoare
cu densitatea de probabilitate p, atunci
Zb
P (f 2 Ia;b ) = p (t) dt, unde
a
Ia;b este oricare dintre intervalele (a; b), (a; b], [a; b), [a; b] din R.
Demonstratie:
Rezulta din 2.8 si din 2.6.
5.Variabile aleatoare n - dimensionale

Reparti tia unei variabile aleatoare n-dimensionale
Daca variabilele aleatoare f1 , f2 , ..., fn descriu n planul numeric real aspecte
ale manifestarii unui fenomen aleator ( ; K; P ), putem interesati n studiul
probabilistic al acestuia de legile lor relative de probabilitate, rezultate ca si
consecinta a unui mod natural de interactiune dintre partile unui ntreg.Astfel,
suntem condusi sa consideram ansamblul (f1 ; f2 ; :::; fn ), pe care l denim uni-
tar, ca variabila aleatoare cu valorile n spatiul numeric real n -dimensional.
Pentru acesta, e BRn corpul borelian produs BR BR BR (n
factori) al lui Rn (ca n Denitia 3.18, I).Tinnd ca acesta este generat de
familia M(n) = B1 B2 Bn j Bi 2 BR i = 1; n si de structura lui BR ,
rezulta ca BRn contine toate intervalele I1 I2 In , unde Ij j = 1, 2,
..., n este unul dintre intervalele ( 1; a); ( 1; a]; (a; 1); [a; 1); (a; b); [a; b);
(a; b]; [a; b] din R.
[5.1].Deni tie.Fie ( ; K; P ) un cmp de probabilitate.O functie f (n) =
(f1 ; f2 ; :::; fn ) : ( ; K; P ) ! (Rn ; BRn ) se numeste variabila aleatoare n - di-
mensionala sau vector aleator n -dimensional daca ! 2 j f (n) (!) 2 B (n)
(8) B (n) 2 BRn .
Din Denitia 5.1 avem urmatoarea determinare a unei variabile aleatoare.
[5.2]Teorema.Fie ( ; K; P ) un cmp de probabilitate.O functie f (n) =
(f1 ; f2 ; :::; fn ) : ( ; K; P ) ! (Rn ; BRn ) este variabila aleatoare este variabila
1
aleatoare daca si numai daca f (n) (I1 I2 In ) 2 K pentru orice
multime I1 I2 In 2 Rn , unde Ij j = 1, 2, ..., n este unul dintre
intervalele ( 1; a); ( 1; a]; (a; 1); [a; 1); (a; b); [a; b); (a; b]; [a; b] din R.
Demonstratie:
[5.3].Propozi tie. f (n) = (f1 ; f2 ; :::; fn ) : ( ; K; P ) ! (Rn ; BRn ) este
variabila aleatoare n - dimensionala daca si numai daca (8) i = 1; 2; :::; n fi :
( ; K; P ) ! (R; BR ) este variabila aleatoare reala.
Demonstratie:
Presupunem ca f (n) = (f1 ; f2 ; :::; fn ) este v.a. n - dimensionala si pentru
un i 2 f1; 2; :::; ng e Bi 2 BR , B (n) = R R Bi R R.Cum
13
1 1
B (n) 2 BRn ,3avem f (n)
2 B (n) 2 K.Tinem
seama ca f (n) B (n) =
n
6\ 7
4 fk 1 (R)5 \ fi 1 (Bi ) = \ fi 1
(Bi ).
k=1
k6=i
Reciproc, presupunem ca (8) i = 1; 2; :::; n fi : ( ; K; P ) ! (R; BR ) este
variabila aleatoare reala.Pentru orice B (n) = B1 B2 Bn 2 M(n) avem
\n
1
f (n) B (n) = fi 1 (Bi ).Cum fi 1 (Bi ) 2 K (8) i = 1; 2; :::; n si K este
i=1
1 1
corp borelian, rezulta ca f (n) B (n) 2 K.S-a obtinut f (n) M(n)
1
K.Din structura de corp borelian a lui K avem B f (n) M(n) K.La
fel ca pentru o v.a. unidimensionala f si sistemul M care genereaza BR , se
obtine ca
1 1
B f (n) M(n) = f (n) B M(n) [5.4]
egalitate care completeaza demonstratia.
Din aceasta si tinnd seama de Teorema 1.3 avem ca si consecinta rezultatul
din 5.5.
[5.5].Corolar.Fie f (n) = (f1 ; f2 ; :::; fn ) : ( ; K; P ) ! (Rn ; BRn ).Urmatoarele
armatii sunt echivalente:
(a) f (n) este variabila aleatoare.
1
(b) f (n) (( 1; x1 ) ( 1; x2 ) ( 1; xn )) 2 K, (8) x1 , x2 , ...,
xn 2 R.
Ca si n cazul unidimensional, suntem interesati de legea de probabilitate
dupa care se repartizeaza pe Rn valorile unui vector aleator (f1 ; f2 ; :::; fn ), adica
de repartitia comuna a variabilelor f1 , f2 , ..., fn .
O probabilitate pe (Rn ; BRn ) se mai numeste repartitie sau lege pe Rn .
[5.6].Deni tie.Fie f (n) = (f1 ; f2 ; :::; fn ) : ( ; K; P ) ! (Rn ; BRn ) o vari-
abila aleatoare.Numim repartitia sau distributia lui f (n) probabilitatea Pf (n) :
(Rn ; BRn ) ! [0; 1] denita de Pf (n) (B1 B2 Bn ) = P (f1 2 B1 ; f2 2 B2 ; :::; fn 2 Bn ),
B1 B2 B n 2 BR n .
1
Notam aceasta probabilitate P f (n) si o mai numim imaginea lui P
prin f (n) .
O repartitie (n) pe Rn este determinata de valorile pe familia de intervalele
f( 1; x1 ) ( 1; x2 ) ( 1; xn ) j x1 ; x2 ; :::; xn 2 Rg.
Ca n cazul real, corespondenta (x1 ; x2 ; :::; xn ) ! (n) (( 1; x1 ) ( 1; x2 ) ( 1; xn ))
deneste functia de repartitie, cu rol esential n determinarea si studiul repar-
titei.
[5.7].Deni tie.Numim functia de repartitie a repartitiei (n) pe Rn functia
n
F (n) : R ! R denita de legea:
F (n) (x1 ; x2 ; :::; xn ) = (n) (( 1; x1 ) ( 1; x2 ) ( 1; xn )).
Enuntam urmatoarele doua rezultate ce privesc proprietatile functiei de
repartitie aale unei variabile n- dimensionale, analoage celor din cazul unidi-
mensional.
14
[5.8].Propozi tie.Fie F (n) : Rn ! R functia de repartitie a repartitiei (n)
n
pe R .Sunt adevarate proprietatile:
(a) (n) ([a1 ; b1 ) [a2 ; b2 ) [an ; bn )) = 1[a1 ;b1 ) 2
[a2 ;b2 )
n
[an ;bn ) F (n) (x1 ; x2 ; :::; xn ) ,
n
unde pentru o functie h : R ! R denim cresterea
i
[ai ;bi ) h (x1 ; x2 ; :::; xn ) = h (x1 ; :::xi 1 ; bi ; xi+1 ; :::; xn ) h (x1 ; :::xi 1 ; bi ; xi+1 ; :::; xn ).
n particular, pentru n = 2
(2)
([a1 ; b1 ) [a2 ; b2 )) = F (2) (b1 ; b2 ) F (2) (a1 ; b2 ) F (2) (a2 ; b1 )+F (2) (a1 ; a2 ).
(b)F (n) (x1 ; x2 ; :::; xn ) este nedescrescatoare n ecare variabila, adica
i
[ai ;bi ) F (n) (x1 ; x2 ; :::; xn ) 0 (8) i 2 f1; 2; :::; ng
(c) lim F (n) (y1 ; y2 ; :::; yn ) = F (n) (x1 ; x2 ; :::; xn ).
y1 "x1 ; y2 "x2 ; ; yn "xn
(d)Pentru ecare i = 1; 2; :::; n avem lim F (n) (x1 ; x2 ; :::; xn ) = 0 si
x# 1
lim F (n) (x1 ; x2 ; :::; xn ) = 1:
x1 "1; x2 "1; ; xn "1
(e) F (n) (x1 ; x2 ; :::; xn ) este marginita.
[5.9].Propozi tie.Fie F (n) functia de repartitie a repartitiei (n) .
(a)Multimea punctelor de discontinuitate a lui F (n) este cel mult numarabila.
(k) (k)
(b)Pentru orice (x1 ; x2 ; :::; xn ) 2 Rn avem (n)
(f(x1 ; x2 ; :::; xn )g) = lim F (n) x1 ; x2 ; :
(k) (k) (k)
x1 #x; x1 #x; ; xn #xn
F (n) ((x1 ; x2 ; :::; xn )).
[5.10].Deni tie.O functie F : Rn ! R cu proprietatile (b), (c), (d), (e)
din Propozitia 5.8 se numeste functie de repartitie pe Rn .
Enuntam si n acest caz un rezultat analog celui din cazul unidimensional
referitor la corespondenta biunivoca dintre multimea functiilor de repartitie si
cea a repartitiilor.
Astfel, daca F : Rn ! R este o functie de repartitie, exista o repartitie unica
(n)
pe Rn astfel nct F = F (n) .
[5.11].Deni tie.Numim functia de repartitie a variabilei aleatoare f (n) =
(f1 ; f2 ; :::; fn ) : ( ; K; P ) ! (Rn ; BRn ) functia de repartitie a repartitiei Pf (n) =
1
P f (n) .
Notam aceasta functie Ff (n) .
Asa cum rezulta din denitiile 5.6 si 5.7, avem
Ff (n) (x) = F(f1 ;f2 ;::;fn ) (x1 ; x2 ; :::; xn ) = P (f1 < x1 ; f2 < x2 ; :::; fn < xn ) (8)
(x1 ; x2 ; :::; xn ) 2 Rn [5.11.1]
Relativ la variabila f (n) = (f1 ; f2 ; :::; fn ), proprietate (a) din 5.8 se scrie:
P (f1 2 [a1 ; b1 ) ; f2 2 [a2 ; b2 ) ; :::; fn 2 [an ; bn )) = 1[a1 ;b1 ) 2
[a2 ;b2 )
n
[an ;bn ) F (n) (x1 ; x2 ; :::; xn )
[5.8.1]
Rezultatul enuntat mai sus, care arma existenta si unicitatea repartitiei
avnd functia de repartitie data, stabileste de fapt ca functia de repartitie de-
termina repartitia.
Se demonstreaza n plus, ca ind data o repartitie (n) pe Rn , exista o
variabila aleatoare n - dimensionala unica P - aproape sigur, a carei functie
de repartitie sa e (n) (ntelegem ca daca doua variabile aleatoare f (n) si g (n)
15
au aceeasi repartitie (n) , atunci P f (n) = g (n) = 1).Se poate spune deci, ca
functia de repartitie determina P - aproape sigur variabila aleatoare.
n cazul n - dimensional, pentru o variabila aleatoare care-i corespunde ast-
fel, aceasta determina nca repartitiile unidimensionale ale variabilelor aleatoare
componente si ale variabilelor aleatoare constituite cu k dintre componentele
acesteia.
[5.12].Propozi tie.Fie F(f1 ;f2 ;::;fn ) (x1 ; x2 ; :::; xn ) functia de repartitie a vari-
abilei aleatoare (f1 ; f2 ; :::; fn ) : ( ; K; P ) ! (Rn ; BRn ).
(i) (i)
(a)Functia F(f1 ;f2 ;:::;fn ) : R ! R, F(f1 ;f2 ;:::;fn ) (xi ) = F(f1 ;f2 ;::;fn ) (1; :::; 1; xi ; 1; :::; 1)
este functia de repartitie a variabilei aleatoare reale fi , i 2 f1; 2; :::; ng.
(i)
Numim F(f1 ;f2 ;:::;fn ) functia de repartitie marginala a variabilei aleatoare fi .
(1;2;:::;k) (1;2;:::;k)
(b)Functia F(f1 ;f2 ;:::;fn ) : Rk ! R, F(f1 ;f2 ;:::;fn ) (x1 ; x2 ; :::; xk ) = F(f1 ;f2 ;::;fn ) (x1 ; x2 ; :::; xk ; 1; :::; 1)
este functia de repartitie a variabilei aleatoare (f2 ; f2 ; :::; fk ).
Numim functia F(f1 ;f2 ;::;fn ) functia de repartitie marginala a variabilei aleatoare
(f2 ; f2 ; :::; fk ).
Demonstratie:
(a)Din
00 (5.11.1), F(f11 ;f2 ;::;fn ) (1; :::;
1 1; xi ; 1; :::; 1) = P ((f1 < 1) ; :::; (fi 1 < 1) ; (fi < xi ) ; (fi+1 < 1) ; :
n
BB \ C\ C
= PBB
@@ (fj < 1)C (fi < xi )C = P ( \ (fi < xi )) = P ((fi < xi )) si
A A
j=1
j6=i
tinem seama de (2.7.1).
(1;2;:::;k)
(b)F(f1 ;f2 ;:::;fn ) (x1 ; x2 ; :::; xk ) = P ((f1 < x1 ) ; (f2 < x2 ) ; :::; (fk < xk ) ; (fk+1 < 1) ; :::; (fn < 1))
00 1 0 11 00 1 1
\k \ \n \k \
= P @@ (f < xj )A @ (f < 1)AA = P @@ (f < xj )A A=
j=1 j=k+1 j=1
00 11
k
\
P @@ (f < xj )AA = P (f1 < x1 ; f2 < x2 ; :::; fk < xk ) si tinem seama de
j=1
(5.11.1).
Introducem acum un concept fundamental al Teoriei probabilitatilor, cu im-
plicatii fundamentale si semnicative asupra metodelor si tehnicilor de studiu
ale sistemelor de variabile aleatoare denite pe un acelasi cmp de probabilitate.
[5.13].Deni tie.Spunem ca variabilele aleatoare f1 , f2 , ..., fn : ( ; K; P ) !
(R; BR ) sunt independente daca
P(f1 ;f2 ;:::;fn ) (B1 B2 Bn ) = Pf1 (B1 ) Pf2 (B2 ) Pfn (Bn ) (8) B1 ,
B2 , ..., Bn 2 BR
Relatia din denitia 5.13, care se mai scrie

P (f1 2 B1 ; f2 2 B2 ; :::; fn 2 Bn ) = P (f1 2 B1 ) P (f2 2 B2 ) P (fn 2 Bn )
[5.13.1]
exprima faptul ca repartitia vectorului aleator (f1 ; f2 ; :::; fn ) este probabil-
On
itatea produs Pfi a repartitiilor Pf1 , Pf2 , ..., Pfn ale variabilelor aleatoare
i=1
16
n
!
O
n
componente, pe cmpul R ; BR .
i=1
[5.14].Propozi tie.Fie f1 , f2 , ..., fn : ( ; K; P ) ! (R; BR ) variabile aleatoare.Urmatoarele
(a) f1 , f2 , ..., fn sunt independente.
(b) F(f1 ;f2 ;:::;fn ) (x1 ; x2 ; :::; xn ) = Ff1 (x1 ) Ff2 (x2 ) Ffn (xn ) (8) (x1 ; x2 ; :::; xn ) 2
Rn .
Demonstratie:
Presupunem ca f1 , f2 , ..., fn sunt independente si e (x1 ; x2 ; :::; xn ) 2
Rn .Avem F(f1 ;f2 ;:::;fn ) (x1 ; x2 ; :::; xn ) = P (f1 < x1 ; f2 < x2 ; :::; fn < xn ) = P(f1 ;f2 ;:::fn ) (( 1; x1 ) ( 1; x2 )
= Pf1 (( 1; x1 )) Pf2 (( 1; x2 )) Pfn (( 1; xn )) = Ff1 (x1 ) Ff2 (x2 ) Ffn (xn ).
6.Variabile aleatoare bidimensionale discrete

[6.1]. Deni tie.Spunem ca variabila aleatoare (X1 ; X2 ) : ( ; K; P ) !
R2 ; BR2 este discreta daca multimea valorilor ei este cel mult numarabila.
n particular, daca (X1 ; X2 ) ( ) este multime nita, spunem ca (X1 ; X2 ) este
simpla.
Remarca:(X1 ; X2 ) este variabila aleatoare n - dimensionala discreta daca si
numai daca X1 , X2 sunt variabile aleatoare reale discrete.
Urmatoarele propozitii privesc legea functionala si legea de probabilitate a
unei variabile aleatoare discrete.
[6.2].Propozi tie.Fie (X1 ; X2 ) : ( ; K; P ) ! R2 ; BR2 o variabila aleatoare
discreta.Atunci, X
(X1 ; X2 ) (!) = xi11 ; xi22 1Ai1 ;i2 ; (!), ! 2 unde
(i1 ;i2 )2I1 I2
(X1 ; X2 ) ( ) = xi11 ; xi22 2 R2 j (i1 ; i2 ) 2 I1 I2 si Ai1 ;i2 j (i1 ; i2 ) 2 I1 I2
I1 I2 cel mult numarabila, este un sistem complet de evenimente.
n particular, pentru I1 I2 nita, cu card (Ij ) = Nj , j = 1; 2
N1 X
X N2
(X1 ; X2 ) (!) = xi11 ; xi22 1Ai1 ;i2 (!).
i1 =1 i2 =1
Demonstratie:
Denim Ai1 ;i2 = ! 0 2 j (X1 ; X2 ) (! 0 ) = xi11 ; xi22 , (i1 ; i2 ) 2 I1 I2 .Avem
i1 ;i2
A \ Aj1 ;j2 = ? pentru (i1 ; i2 ) 6= (j1 ; j2 ) si pentru orice ! 2 (9) (i1 ; i2 ) 2
I1 I2 astfel nct (X1 ; X2 ) (!) = xi11 ; xi22 , deci ! 2 Ai1 ;i2 .
Din demonstratia propozitiei 6.2 rezulta ca o variabila aleatoare discreta,
cu multimea valorilor (X1 ; X2 ) ( ) = xi11 ; xi22 2 R2 j (i1 ; i2 ) 2 I1 I2 , este
data de legea: X
(X1 ; X2 ) (!) = xi11 ; xi22 1(!0 j(X1 ;X2 )(!0 )=(xi1 ;xi2 )) (!) [6.2.1]
1 2
(i1 ;i2 )2I1 I2
respectiv
N1 X
X N2
(X1 ; X2 ) (!) = xi11 ; xi22 1(!0 j(X1 ;X2 )(!0 )=(xi1 ;xi2 )) (!) [6.2.2]
1 2
i1 =1 i2 =1
pentru I1 I2 nita, cu card (Ij ) = Nj , j = 1; 2.
17
Pentru a specica forma repartitiei unei variabile aleatoare n - dimensionale,
(a) (a)
precizam ca pentru o variabila constanta X1 ; X2 (!) = (a1 ; a2 ) acesta este
data de legea
(a) (a) 1 daca (a1 ; a2 ) 2 B (2)
P X (a) ;X (a) X1 ; X 2 2 B (2) = B (2) 2
1 2 0 daca (a1 ; a2 ) 2 = B (2)
BR2 [6.3]
(a) (a) daca (a1 ; a2 ) 2 B (2)
(avem X1 ; X 2 2 B (2) = ).
? daca (a1 ; a2 ) 2 = B (2)
Numim repartitia din (6.3) repartitia Dirac n punctul (a1 ; a2 ) si o notam
"(a1 ;a2 ) .
[6.4].Propozi tie.Fie (X1 ; X2 ) : ( ; K; P ) ! R2 ; BR2 o variabila aleatoare
discreta cu forma X
(X1 ; X2 ) = xi11 ; xi22 1(0 (X1 ;X2 )=(xi1 ;xi2 )) .
1 2
(i1 ;i2 )2I1 I2
Atunci, X
(X1 ;X2 ) : R2 ; BR2 ! [0; 1], (X1 ;X2 ) = pi1 ;i2 "(xi1 ;xi2 ) , unde
1 2
(i1 ;i2 )2I1 I2
pi1 ;i2 = P 0 (X1 ; X2 ) = xi11 ; xi22 ; (i1 ; i2 ) 2 I1 I2
este o probabilitate pe R2 ; BR2 si P(X1 ;X2 ) = (X1 ;X2 ) .
Specicam ca n cazul n care (X1 ; X2 ) este un sistem de variabile aleatoare
independente,
pi1 ;i2 = P (X1 = x1 ) P (X2 = x2 ) (i1 ; i2 ) 2 I1 I2 [6.4.1]
Demonstratie:
ntruct 0 (X1 ; X2 ) = xi11 ; xi22 (i1 ;i2 )2I1 I2 este un sistem complet de
evenimente, avem: X X
(X1 ;X2 ) R
2
= pi1 ;i2 = P 0 (X1 ; X2 ) = xi11 ; xi22
(i1 ;i2 )2I1 I2 (i1 ;i2 )2I1 I2
0 1
[
=P@ (X1 ; X2 ) = xi11 ; xi22 A = P ( ) = 1:
(i1 ;i2 )2I1 I2
(2)
Daca Bi este o familie numarabila de evenimente din BR2 astfel nct
i 1
1
! 1
!
(2) (2)
[ (2)
X [ (2)
Bi \Bj = ? pentru i 6= j, atunci (X1 ;X2 ) Bi = pi1 ;i2 "(xi1 ;xi2 ) Bi
1 2
k=1 (i1 ;i2 )2I1 I2 k=1
1
! 1
X X (2)
X X (2)
= pi1 ;i2 "(xi1 ;xi2 ) Bi = pi1 ;i2 "(xi1 ;xi2 ) Bi .
1 2 1 2
(i1 ;i2 )2I1 I2 k=1 k=1 (i1 ;i2 )2I1 I2
S-a demonstrat ca (X1 ;X2 ) este o repartitie pe R2 .
(2)
Acum, aplicnd formula probabilitatii totale, dac
Xa B 2 BR2 , atunci:
P0 (X1 ;X2 ) B (2)
= P (X1 ; X2 ) 2 B (2)
= P (X1 ; X2 ) 2 B (2) j (X1 ; X2 ) = xi11 ; xi22
(i1 ;i2 )2I1 I2
X
P (X1 ; X2 ) = xi11 ; xi22 = P x1 ; xi22 2 B (2)
i1
P (X1 ; X2 ) = xi11 ; xi22 =
(i1 ;i2 )2I1 I2
18
X
pi1 ;i2 "(xi1 ;xi2 ) B (2) .
1 2
(i1 ;i2 )2I1 I2
Ca si n cazul unidimensional, asociem unei v.a. n - dimensionale discrete
ca n (6.2) densitatea de repartitie discreta sau functia de frecventa discreta
P (X1 ; X2 ) = xi11 ; xi22 daca (9) (i1 ; i2 ) a.. (X1 ; X2 ) = xi11 ; xi22
(X1 ;X2 ) =
0 daca (X1 ; X2 ) 6= xi11 ; xi22 (8) (i1 ; i2 )
[6.4.2]
P (X1 = x1 ) P (X2 = x2 ) daca (9) (i1 ; i2 ) a.. (X1 ; X2 ) = xi1 ; xi22
=
(X1 ;X2 )
0 daca (X1 ; X2 ) 6= xi11 ; xi22 (8) (i1 ; i2 )
[6.4.3]
cnd (X1 ; X2 ) este un sistem de v.a. independente.
iar aceasta se prezinta sub forma tabelului de distributie:
xi11 ; xi22
pi1 ;i2 = P (X1 ; X2 ) = xi11 ; xi22 [6.4.4]
pi1 ;i2 (i ;i )2I I
1 2 1 2
xi11 ; xi22
pi1 ;i2 = P (X1 = x1 ) P (X2 = x2 ) [6.4.5]
pi1 ;i2 (i1 ;i2 )2I1 I2
cnd (X1 ; X2 ) este un sistem de v.a. independente.
Fortat, spunem ca sistemul (pi1 ;i2 )(i1 ;i2 )2I1 I2 reprezinta repartitia sau dis-
tributia lui (X1 ; X2 ).
n mod necesar, un astfel de sistem va reprezenta o distributie de probabili-
tate daca X
pi1 ;i2 0 (8) (i1 ; i2 ) 2 I1 I2 si pi1 ;i2 = 1 [6.4.6]
(i1 ;i2 )2I1 I2
X X
Se arata simplu ca daca = qj1 ;j2 "(yj1 ;yj2 ) , = pi1 ;i2 "
1 2 (xi11 ;xi22 )
(j1 ;j2 )2J1 J2 (i1 ;i2 )2I1 I2
vericnd conditiile din (6.4.6) sunt astfel nct = , atunci J1 J2 = I1 I2 ;
y1i1 ; y2i2 = xi11 ; xi22 ; q(i1 ;i2 ) = pi1 ;i2 (8) (i1 ; i2 ) 2 I1 I2 .
[6.5].Propozi tie.Fie (X1 ; X2 ) : ( ; K; P ) ! R2 ; BR2 astfel nct X1 =
X X
xi11 1(X1 =xi1 ) ; X2 = xi22 1(X2 =xi2 ) ; I1 , I2 cel mult numarabile.Atunci,
1 2
i1 2I1 i2 2I2
X
(a) (X1 ; X2 ) (!) = xi11 ; xi22 1(X1 =xi1 ;X2 =xi2 ) (!) !2 .
1 2
(i1 ;i2 )2I1 I2
adica (X1 ; X2 ) are forma din 6.2.
Specicam ca n cazul n care X1 , X2 constituie un sistem de variabile
aleatoare independente,
X 2
Y
(X1 ; X2 ) (!) = xi11 ; xi22 1 X =xij (!) ! 2 . [6.5.1]
j j
(i1 ;i2 )2I1 I2 j=1
Demonstratie:
(a)nti precizam ca daca Ai11 i1 2I1
; Ai22 i2 2I2
sunt sisteme complete de
evenimente n ( ; K; P ), atunci Ai11 \ Ai22 (i1 ;i2 )2I1 I2 este sistem complet de
evenimente n acelasi cmp.
Astfel,
19
daca (i1 ; i2 ) 6= (j1 ; j2 ) exista k 2 f1; 2g astfel nct ik 6= jk .Avem Aik \Ajk =
?, deci Ai1l \ Aikk \ Aj1l \ Ajkk = ? l 6= k.
! !
[ [ \ [
Apoi, Ai11 \ Ai22 = Ai1 Ai2 = \ = .
(i1 ;i2 )2I1 I2 i1 2I1 i2 2I2
Pentru a demonstra (a) este sucient sa aplicam acest rezultat pentru Ai11 i1 2I1
=
f(X1 = xi1 )gi1 2I1 ; Ai22 i2 2I2
= f(X2 = xi2 )gi2 2I2 .
Evident, (X1 ; X2 ) (!) = xi11 ; xi22 daca si numai daca Xj (!) = xij (8)
j 2 f1; 2g.
[6.6].Corolar.n ipoteza din Propozitia 6.5, legea de probabilitate a vari-
abilei (X1 ; X2 ) esteX
data de:
P(X1 ;X2 ) = xi11 ; xi22 pi1 ;i2 , unde pi1 ;i2 = P X1 = xi11 ; X2 = xi22 .
(i1 ;i2 )2I1 I2
sau de una dintre formele echivalente (6.4.2), (6.4.4).
n cazul n care X1 , X2 constituie un sistem de variabile aleatoare indepen-
dente, X
P(X1 ;X2 ) = xi11 ; x2i2 pi1 ;i2 , unde pi1 i2 = pi1 pi2 , pi1 = P X1 = xi11 ;
(i1 ;i2 )2I1 I2
pi2 = P X2 = xi22 . [6.6.1]
sau de una dintre formele echivalente (6.4.3), (6.4.5).
Demonstratie:
Rezulta din 6.5 si din Propozitia 6.4.
[6.7].Propozi tie.Fie (X1 ; X2 ) : ( ; K; P ) ! R2 ; BR2 cu tabelul de dis-
tributie
xi11 ; xi22
pi1 ;i2 = P (X1 ; X2 ) = xi11 ; xi22 .
pi1 ;i2 (i1 ;i2 )2I1 I2
Atunci, repartitia marginal
X a a variabilei Xk este
(rik )ik 2Ik unde rik = pil , l 6= k.
il 2Il
Demonstratie:
Multimea valorilor posibile ale v.a. X1 este fx!i1 j i1 2 I1 g si avem:
[
P (X1 = xi1 ) = P (X1 ; Xi2 ) = (xi1 ; xi2 ) si cum evenimentele (Xi2 = xi2 )
i2 2I2
i2 2 I2 sunt incompatibile,
X X
P (X1 = xi1 ) = P ((X1 ; Xi2 ) = (xi1 ; xi2 )) = pi1 ;i2 .
i2 2I2 i2 2I2
n cazul I1 = f1; 2; :::; mg, I2 = f1; 2; :::; ng, pentru calculul repartitiilor
marginale este util urmatorul tabel de tip matriceal.
20
r x1 x2 ::: xi ::: xm
pYj
y1 p11 p21 ::: pi1 ::: pm1
pY1
y2 p12 p22 ::: pi2 ::: pm2
pY2
: : : ::: : ::: :
: [6.7.1]
yj p1j p2j ::: pij ::: pmj
pYm
: : : ::: : ::: :
:
yn p1n p2n ::: pin ::: pmn Y
p
pX
i pX
1 pX2 ::: pX
i ::: pX m
n
n
X m
X
(X) (Y )
pi = pij i = 1; 2; :::; m si pj = pij j = 1; 2; :::; n ind
j=1 i=1
repartitiile marginale ale variabilelor X si Y .
[6.8].Propozi tie.Fie (X; Y ) : ( ; K; P ) ! R2 ; BR2 , cu tabelul de dis-
tributie:
(xi ; yj )
; pij = P ((X; Y ) = (xi ; yj )).
pij i2I1
j2I2
Atunci,
(a)Pentru i 2 I1 , j 2 I2 astfel nct pX Y
i > 0 respectiv pj > 0,
xi p
; pij = P (X = xi j Y = yj ) = pij Y
pij i2I j
1
yj p
; pji = P (Y = yj j X = xi ) = PijX
pji j2I i
2
reprezinta functii de frecventa ale unor variabile aleatoare discrete, pe care
le notam (X j Y = yj ), (Y j X = xi ).
(b)Pentru orice (i; j) 2 I1 I2 avem:
i Y i pij ; daca pYj > 0
pij = q(XjY =yj ) pj , unde q(XjY =yj ) = 0; daca pYj = 0
j X j pji ; daca pX
i >0
pij = q(Y p , unde q =
jX=xi ) i (Y jX=xi ) 0; daca pXi =0
X X j
X i Y Y
pi = q(XjY =yj ) pj i 2 I1 si pj = q(Y jX=xi ) pXi j 2 I2
j2I2 i2I1
reprezinta functii de frecventa ale unor variabile aleatoare discrete, pe care
le notam (X j Y ), (Y j X).
i
Numim q(XjY =yj ) = q(XjY =yj ) repartitia conditionata a lui X n ra-
i2I1
j
port cu evenimentul (Y = yj ) si q(Y jX=xi ) = q(Y jX=xi ) repartitia conditionata
j2I2
a lui Y n raport cu evenimentul (X = xi ).
Demonstratie:
(a) Pentru j 2 I2 astfel nct P (Y = yj ) > 0, pij 0 (8) i 2 I1 si pentru
i 2 I1 astfel nct P (X = xi ) > 0, pji 0 (8) j 2 I2 .
X Xp X
Avem, de asemenea pij = ij
pY
= p1Y pij = p1Y pYj = 1 si la fel,
j j j
i2I1 i2I1 i2I1
X
pji = 1.
j2I2
21
7.Variabile aleatoare bidimensionale continue
[7.1].Deni tie.Spunem ca variabila aleatoare (f1 ; f2 ) : ( ; K; P ) ! R2 ; BR2
este continua daca exista o functie p (x1 ; x2 ) : R2 ! R nenegativa integrabila
astfel nct
Zx1 Zx2
F(f1 ;f2 ;:::;fn ) (x1 ; x2 ; :::; xn ) = p (t1 ; t2 ) dt1 dt2 (x1 ; x2 ) 2 R2 ,
1 1
unde F(f1 ;f2 ) este functia de repartitie a lui (f1 ; f2 ).
Numim functia p (x1 ; x2 ) densitatea de repartitie sau de probabilitate a lui
(f1 ; f2 ), respectiv a repartitiei lui (f1 ; f2 ).
[7.2].Propozi tie.
(a) p (x1 ; x2 ) este marginita si continua aproape peste tot n raport cu ecare
variabila pe orice interval compact din Rn .
(b) F(f1 ;f2 ) este continua n raport cu ansamblul variabilelor.
(c) pentru orice (x1 ; x2 ) 2 R2 avem P (f1 = x1 ; f2 = x2 ) = 0
(d) F(f1 ;f2 ) admite derivate partiale mixte n orice punct (x1 ; x2 ) n care p
este continua partial si avem:
@ n F(f1 ;f2 ) (x1 ;x2 )
p (x1 ; x2 ) = @x1 @x2 .
Demonstratie:
(a)Rezulta din proprietatea de integrabilitate.
(b)Avem:
Zx1 Zx2
jF (x1 ; x2 ) F (y1 ; y2 )j = p (t1 ; t2 ) dt1 dt2 M jx1 y1 j jx2 y2 j
y1 y2
2
M k(x1 ; x2 ) (y1 ; y2 )kR2 , unde M = sup jp (t1 ; t2 )j, Ik = [xk ; yk ], k =
(t1 ;t2 )2I1 I2
1; 2.
(c)Rezulta din 5.9 (b).
(d)Fie x01 ; x02 2 R2 punct de continuitate partiala pentru p.
Din Teorema lui Fubini, functiile:
Rx2
x1 ! p (x1 ; t2 ) dt2
1
Rx1
x2 ! p (t1 ; x2 ) dt1
1
sunt integrabile.La fel ca n (4.2) pentru cazul unidimensional, rezulta ca
F (x1 ; x2 ) admite derivata partiala n raport cu x2 n x02 si avem:
@F (x1 ;x2 ) Rx1
@x2 jx2 =x0=
2
p t1 ; x02 dt1 (1)
1
Apoi, functia:
Rx1
x1 ! p t1 ; x02 dt1
1
@F (x1 ;x02 )
este derivabila si rezulta ca @x2 admite derivata partiala n raport cu
0
x1 n x1 si avem:
@ 2 F (x1 ;x2 )
@x1 @x2 jx1 =x01 ;x2 =x02 = p x01 ; x02 .
22
[7.3].Deni tie.O functie p (x1 ; x2 ) : R2 ! R este o densitate de probabil-
itate daca verica conditiile:
(a) p (x1 ; x2 ) 0 (8) (x1 ; x2 ) 2 R2 .
(b) p (x1 ; x2 ) este integrabila pe R2 .
Z1 Z1
(c) p (t1 ; t2 ) dt1 dt2 =1.
1 1
[7.4].Propozi tie.Daca (f1 ; f2 ) : ( ; K; P ) ! R2 ; BR2 este o variabila
aleatoare cu densitatea de probabilitate p (x1 ; x2 ), atunci
Zb1 Zb2
(a) P (f1 2 I1 ; f2 2 I2 ) = p (t1 ; t2 ) dt1 dt2
a1 a2
(b)P (f1 2 I1 ; f2 2 x2 ) = 0, P (f1 = x1 ; f2 2 I2 )
unde Ik este unul dintre intervalele (ak ; bk ), [ak ; bk ), (ak ; bk ], [ak ; bk ] din R,
k 2 1; 2 si x1 , x2 2 R:
Demonstratie:
Notam F(f1 ;f2 ;) = F .
(a)Conform 5.8. (a) avem P (f1 2 [a1 ; b1 ) ; f2 2 [a2 ; b2 )) = 1[a1 ;b1 ) 2
[a2 ;b2 ) F (x1 ; x2 ) .Cum
cresterea lui F pe [a2 ; b2 ) este
Zx1 Zb2
2
[a2 ;b2 ) F (x1 ; x2 ) = F (x1 ; b2 ) F (x1 ; a2 ) = p (t1 ; t2 ) dt1 dt2 ,
1 a2
cresterea pe [a1 ; b1 ) [a2 ; b2 ) este
Zb1 Zb2
1 2
[a1 ;b1 ) [a2 ;b2 ) F (x1 ; x2 ) = p (t1 ; t2 ) dt1 dt2 .
a1 a2
\ h (k)
\ h
(k)
(b)Cum fx2 g = x2 ; x2 , avem I1 fx2 g = I1 x2 ; x2 si
(k) (k)
x2 #x2 x2 #x2
h
(k)
I1 x2 ; x2 este sir descrescator de multimi, tinnd seama de (a) avem
k h
(k)
P (f1 2 I1 ; f2 = x2 ) = P(f1 ;f2 ) (I1 fx2 g) = lim P(f1 ;f2 ) I1 x2 ; x2 =
(k)
x2 #x2
k
b1 x2
Z Z
lim p (t1 ; t2 ) dt1 dt2 = 0.
(k)
x2 #x2
a1 x2
Daca (f1 ; f2 ) este o variabila aleatoare continua, din continuitatea functiei
de repartitie F (x1 ; x2 ) rezulta continuitatea partiala n raport cu orice variabila
xj 1 j 2.
Ne asteptam ca att variabilele aleatoare componente fj 1 j 2 sa e
variabile aleatoare continue, ceea ce nseamna ca functiile lor de repartitie sunt
determinate de anumite densitati de repartitie.
[7.5].Propozi tie.Daca v.a.(f1 ; f2 ) admite densitatea de probabilitate p (x1 ; x2 ),
atunci variabile aleatoare f1 , f2 au densitatile de probabilitate marginale date
de
23
R1 R1
pf1 (x1 ) = p (x1 ; t2 ) dt2 , respectiv pf2 (x2 ) = p (t1 ; x2 ) dt1
1 1
(reprezentnd n acelasi timp densitatea de probabilitate a repartitiei P fj 1 ,
(j)
respectiv a functiei de repartitie marginale F(f1 ;f2 ) , j = 1; 2).
Demonstratie:
R1 R1 R1
(a)Avem pf1 (x1 ) 0 si pf1 (x1 ) dx1 = p (x1 ; x2 ) = 1, deci pf1
1 1 1
este o densitate de probabilitate.
Din 5.12 (a) si folosind 7.4 si Teorema lui Fubini,
(1) Rx1 R1 Rx1
F(f1 ;f2 ) (x1 ) = P (f1 < x1 ; f2 = 1) = p (t1 ; t2 ) dt1 dt2 = pf1 (t1 ) dt1 .
1 1 1
[7.5.1].Propozi tie.Daca f1 ; f2 sunt variabile aleatoare independente, cu
densitatile de probabilitate p1 ; p2 , atunci (f1 ; f2 ) este o variabila aleatoare con-
tinua, cu densitatea de probabilitate p (x1 ; x2 ) = p1 (x1 ) p2 (x2 ).
Demonstratie:
Fie F(f1 ;f2 ) functia de repartitie! a v.a.(f1 ; f2 ).Din!Propozitia 5.14, F(f1 ;f2 ) (x1 ; x2 ) =
Rx1 Rx2 Rx1 Rx2
Ff1 (x1 ) Ff2 (x2 ) = p1 (t1 ) dt1 p2 (t2 ) dt2 = p1 (t1 ) p2 (t2 ) dt1 dt2
1 1 1 1
(8) (x1 ; x2 ) 2 R2 :
[7.6].Deni tie.Fie p (x; y)densitatea de repartitie a vectorului (f1 ; f2 ) si
R1
pf1 (x) = p (x; t) dt densitatea de repartitie marginala a variabilei f1 .
1 (
p(x;y)
2
Denim functia pf2 jf1 : R ! R, pf2 jf1 (x; y) = pf1 (x) ; pf1 (x) > 0
0; pf1 (x) = 0
si o numim densitatea de repartitie conditionata a lui f2 n raport cu f1 .
[7.6.1].Remarca:
Relativ la pf2 jf1 si pf1 jf2 , functia de repartitie corespunzatoare densitatii
p (x; y) se scrie:
Rx Ry Rx Ry
F (x; y) = pf2 jf1 (s; t) pf1 (s) dsdt = pf1 jf2 (s; t) pf2 (t) dsdt.
1 1 1 1
[7.7].Propozi tie.Fie p (x; y) densitatea de probabilitate a vectorului (f1 ; f2 ).
(a)Pentru orice x 2 R functia F ( j x) : R ! R denita prin F (y j x) =
P (f2 < y j f1 = x) este o functie de repartitie.
Numim F ( j x)functia de repartitie conditionata a lui f2 de evenimentul
(f1 = x).
(b)Pentru x 2 R astfel nct pf1 (x) > 0 densitatea de repartitie a lui F ( j x)
este p ( j x) : R ! R, p (y j x) = pp(x;y)
f (x)
.
1
not
Notam g = (f2 j f1 = x) o variabila aleatoare g cu functia de repartitie
F ( j x) si pentru A 2 B (R) notam (f2 2 A j f1 = x) evenimentul (g 2 A).
Demonstratie:
(a)Daca P (f1 = x) > 0, proprietatile (a) - (e) din Prop.2.2 rezulta tinnd
seama de 3.4.I.
Daca P (f1 = x) = 0, avem F (y j x) = P (f2 < y) = Ff2 (y).
24
(b)Fie (x; y) un punct de continuitate pentru p si astfel nct pf1 (x) >
0.Avem F (y j x) = lim P (f2 < y j x f1 < x + h) = lim P (fP2(x
<y;x f1 <x+h)
f1 <x+h) =
h!0 h!0
P ((f2 <y;f1 <x+h)n(f2 <y;f1 <x)) F(f1 ;f2 ) (x+h;y) F(f1 ;f2 ) (x;y)
lim P ((f1 <x+h)n(f1 <x)) = lim Ff1 (x+h) Ff1 (x) =
h!0 h!0
F(f ;f ) (x+h;y) F(f ;f ) (x;y)
1 2 1 2 @F(f ;f ) (x;y)
lim h 1 2
h!0
Ff (x+h) Ff (x) = @x
@Ff (x) (1).
lim 1 1 1
h @x
h!0 !
@F(f1 ;f2 ) (x;y) @
Rx Ry Ry
Cum @x = @x p (s; t) dsdt = p (x; t) dt, tinnd seama
1 1 1
de 7.2 n (1) obtinem:
Ry p(x;t)
F (y j x) = pf (x) dt (2).
1
1
R
1
p(x;t)
p(x;t)
Functia t ! este nenegativa, integrabila si avem 1
pf1 (x) pf1 (x) dt = 1.
Din 7.2 , egalitatea (2) este valabila pentru y aproape peste tot n R, deci
exista R o multime de masura Lebesgue nula, astfel nct (2) este adevarata
pentru orice y 2 C .Cum avem C = R, (8) y 2 R gasim (yn )n 1 C astfel
Rn p(x;t)
y
nct yn " y.Avem F (yn j x) = pf (x) dt (8) n 1 si tinem seama ca F ( j x)
1
1
este continua la stnga.
[7.7.1].Remarca:
Tinnd
seama de determinarile repartitiilor marginale, putem scrie:
p(yjx)pf1 (x) p(yjx)p (x) p(yjx)pf1 (x)
p (x j y) = pf (y) = R1 f1 = R1 ,
2 p(s;y)ds p(yjs)pf1 (s)ds
1 1
egalitate ntr-o evidenta analogie cu formula lui Bayes (vezi 3.5 (c).I).
8.Func tii de variabile aleatoare

[8.1].Propozi tie.Fie D Rn o multime deschisa si W : D ! E Rm o
1
functie bijectiva de clasa C , cu iacobianul JW (x) 6= 0 (8) x 2 D si (f1 ; f2 ; :::; fn ) :
( ; K; P ) ! Rn o variabila aleatoare cu densitatea avnd densitatea de proba-
bilitate p si astfel nct P ((f1 ; f2 ; :::; fn ) 2 D) = 1.
Atunci, variabila aleatoare (g1 ; g2 ; :::; gm ) = W ((f1 ; f2 ; :::; fn )) are densi-
tatea de probabilitate q, data de
p W 1 (y) jJW 1 (y)j ; y 2 E
q (y) = .
0; y 2
=E
[8.2].Corolar.Fie D R o multime deschisa si W : D ! E R o functie
bijectiva de clasa C 1 , cu iacobianul JW (x) 6= 0 (8) x 2 D si f : ( ; K; P ) ! R o
variabila aleatoare avnd densitatea de repartitie p si astfel nct P (f 2 D) = 1.
Atunci, g = W (f ) este o variabila aleatoare avnd densitatea de repartitie
q, data de (
0
p W 1 (y) W 1 (y) ; y 2 E
q (y) =
0; y 2=E
Demonstratie:
Notam xm = inf D, ym = inf E, xM = sup E, yM = sup E.
25
Fie Ff , Fg functiile de repartitie ale v.a. f , g.Cum W este continua si
injectiva, W este monotona.Presupunem nti ca W este crescatoare.Pentru
y 2 E avem:
W R1 (y)
Fg (y) = P (W (f ) < y) = P f < W 1 (y) = Ff W 1 (y) = p (x) dx.
xm
Ry 1 1 0
Cu schimbarea de variabila y = W (x) n integrala, aceasta devine p W (z) W (z) dz.
ym
Analog, daca W este descrescatoare,
1
W R (y)
1 1
Fg (y) = P f > W (y) = 1 Ff W (y) = 1 p (x) dx =
1
xRM
p (x) dx.
W 1 (y)
yRm h i
1 1 0
Cu schimbarea de variabila z = W (x), integrala devine p W (z) W (z) dz =
y
Ry h i
1 1 0
p W (z) W (z) dz.
ym
[8.3].Corolar.Daca vectorul aleator f = (f1 ; f2 ; :::; fn ) are densitatea de
probabilitate p si A 2 Mn (R) este o matrice nesingulara, atunci variabila
aleatoare g = Af + b, b 2 Rn are densitatea de probabilitate q, data de
q (y) = jdet1 Aj p A 1 (y b) .
n particular, cnd n = 1 si g = af + b, a; b 2 R a 6= 0 densitatea de
1
probabilitate a variabilei g este q (y) = jaj p ya b .
Demonstratie:
Aplicam Propozitia 8.1 pentru W : Rn ! Rn , W (x) = Ax + b.
1
Avem W 1 (y) = A 1 (y b) si JW 1 (y) = det(A) .
[8.4].Corolar.Daca vectorul aleator (f1 ; f2 ) are densitatea de probabilitate
p (x; y), atunci
(a) variabilele aleatoare f1 + f2 , f1 f2 , f1 f2 au densitatile de probabilitate
s , d respectiv p , date de
Z1
s (u) = p (u v; v) dv
1
Z1
d (u) = p (u + v; v) dv:
1
Z1
1 1
p (u) = jvj p v u; v dv.
1
f1
(b)daca n plus, P (f2 6= 0) = 1, atunci f2 are densitatea de probabilitate c
data de
Z1
c (u) = jvj p (uv; v) dv.
1
26
Demonstratie:
(a)Denim transformarea Ws : R2 ! R2 , Ws (x; y) = (u; v) u = x + y, v =
y.Ws este transformare bijectiva si continua, cu Ws 1 (u; v) = (x; y) x = u v,
@x @x
y = v si JWs 1 (u; v) = @u @v = 1 6= 0.
@y @y
@u @v
Conform rezultatului din Propozitia 8.1, vectorul (f1 + f2 ; f2 ) = Ws (f1 ; f2 )
are densitatea de probabilitate q (u; v) = p (u v; v) si conform 7.5, densitatea
Z1
marginala a variabilei f1 + f2 este (u) = p (u v; v) dv.
1
Denim acum Wd : R2 ! R2 , Wd (x; y) = (u; v) u = x y, v = y.Wd 1 (u; v) =
(x; y) x = u + v, y = v si JW 1 (u; v) = 1 6= 0.Atunci, vectorul (f1 f2 ; f2 ) =
d
Wd (f1 ; f2 ) are densitatea q (u; v) = p (u + v; v), iar densitatea marginala a vari-
Z1
abilei f1 f2 este (u) = p (u + v; v) dv.
1
Denim transformarea Wp : R R+ ! R R+ , Wp (x; y) = (u; v) u = xy,
1 u
u
v = y, cu Wp 1 (u; v) = (x; y) x = v, y = v si cu JWp 1 (u; v) == v v2
0 1
1
v 6= 0.Densitatea de probabilitate a vectorului (f1 f2 ; f2 ) = Wp (f1 ; f2 ) este
q (u; v) = p uv ; v jvj
1
, iar densitatea marginala a variabilei f1 f2 este p (u) =
Z1
1 u
jvj p v ; v dv.
1
(b)Denim transformarea Wc : R R+ , Wc (x; y) = (u; v) u = xy ,
R+ ! R
v u
v = y.Avem Wc 1 (u; v) = (x; y) x = uv, y = v si JWc 1 (u; v) = = v 6=
0 1
f1
0:Densitatea de probabilitate a vectorului f2 ; f2 = Wc (f1 ; f2 ) este q (u; v) =
Z1
f1
p (uv; v), iar densitatea marginala a variabilei f2 este c (u) = jvj p (uv; v) dv.
1
[8.5].Corolar.n ipotezele Corolarului 8.4, daca n plus f1 , f2 sunt variabile
aleatoare independente, avnd densitatile de probabilitate p1 , p2 , relatiile (a),
(b) devin:
Z1 Z1
(a) s (u) = p1 (u v) p2 (v) dv, d (u) = p1 (u + v) p2 (v) dv, p (u) =
1 1
Z1
1 1
jvj p1 jvj u p2 (v) dv.
1
Z1
(b) c (u) = jvj p1 (uv) p2 (v) dv.
1
9.Exemple lucrate
si probleme rezolvate
27
[9.1].Fie ( ; K; P ) un cmp de probabilitate, unde = f1; 2; 3; 4; 5g, K = P ( ),
unde P este probabilitatea clasica cu P (i) = 51 , i = 1; 5.Fie X : ! R, unde
X (k) = k 3 9k 2 + 23k 5.
(a)Scriem repartitia variabilei X si determinam functia de repartitie FX .
(b)Determinam P (X 10), P (8 < X 10).
Rezolvare:
(a)Avem X (k) = (k 1) (k 3) (k 5) + 10, deci X (1) = X (3) = X (5) =
10, X (2) = 13, X (4) = 7, X ( ) = f7; 10; 13g.
P (X = 7) = P (f4g) = 15 , P (X = 10) = P (f1; 3; 5g) = 35 , P (X = 13) =
P (f2g) = 15 , deci repartitia lui X este:
PX = P X 1 = 15 "7 + 35 "10 + 15 "13 .
Aceasta mai poate data prin tabelul de distributie:
7 10 13
X: 1 3 1 .
5 5 5
Functia
8de repartitie a lui X este:
>
> 1 0; x 7
<
FX = 5; 7 < x 10
.
4
>
> 5 ; 10 < x 13
:
1; 13 < x
(b)Conform Propozitiei 2.8 avem:
P (X 10) = FX (10) + P (X = 10) = 15 + 35 = 45 :
P (8 < X 10) = FX (10) FX (8) P (X = 8) + P (X = 10) = 15 1
5
1 3 2
5 + 5 = 5.
[9.2].Se considera o urna n care se aa 6 bile albe si 4 bile verzi de aceeasi
marime.Se extrag la ntmplare 3 bile.Fie X variabila aleatoare care reprezinta
numarul de bile albe extrase.Scriem repartitia variabilei X si determinam functia
de repartitie n ecare dintre cazurile:
(a)extragerea este cu revenire.
(b)extragearea este fara revenire.
Rezolvare:
(a)X este variabila aleatoare care se asociaza experimentului probabilistic
6
din Exemplul 3.10, I.(vezi si 3.10.1) cu m = 6, n m = 4, k = 3 si p = 10 .
Repartitia variabilei X se poate da prin tabelul de distributie astfel:
0 1 2 3
X: .
0; 43 3 0; 6 0; 42 3 0; 62 0; 4 0; 63
Legea repartitiei este, deci
PX = P X 1 = 0; 43 "0 + 3 0; 6 0; 42 "1 + 3 0; 62 0; 4"2 + 0; 63 "3 .
(b)X este variabila aleatoare care se asociaza experimentului probabilistic
din Exemplul 3.12, I cu m = 6, n m = 4, k = 3.
Repartitia lui X se poate da prin!tabelul de distributie astfel:
0 1 2 3
X: 4 C61 C42 C62 C41 6 .
3
C10 3
C10 3
C10 3
C10
Legea repartitiei este, deci
C1C2 C62 C41
PX = P X 1 = C43 "0 + C6 3 4 "1 + 3
C10
"2 + 6
3 "3 .
C10
10 10
28
k sin x; x 2 [0; ]
[9.3].Fie functia f : R ! R, f (x) = .
0; x 2
= [0; ]
Determinam:
(a)k astfel nct f sa e o densitate de repartitie.
(b) functia de repartitie asociata.
(c)P 0 X < 4 , P 0 X < 4 j X > 4 , unde X este o variabila aleatoare
cu densitatea de probabilitate f:
Rezolvare:
(a)nti remarcam ca pentru k > 0 avem f (x) 0 (8) x 2 R.
Z1
Pentru ca egalitatea f (x) dx = 1 sa e satisfacuta trebuie ca sa avem
1
Z
k sin xdx = 1, deci k cos x j0 = 1, deci k = 12 .
0
Zx
(b)Fie x 2 R.Avem F (x) = f (t) dt:
1
Daca x < 0, atunci F (x) = 0.
Zx
1 1 1 cos x
Daca 0 x , atunci F (x) = 2 sin tdt = 2 cos t px0 = 2 .
0
Daca x > , atunci F8(x) = 1:
< 0; x < 0
1 cos x
S-a obtinut F (x) = 2 ;0 x .
:
1; x >
(c)Conform cu 2,8 si tinnd seama ca X este variabila continua, avem:
Z4
P 0 < X < 4 = FX 4 FX (0) P (X = 0) = f (t) dt.Rezulta P 0 < X < 4 =
p 0
2 2
4 .
Z4
sin tdt
P ( 6 <X< 4 ) F( 4 ) F( 6 ) p
1 p3
P 0 X< 4 jX> 6 = P (X> 6 )
= 1 F( 6 )
= Z6 = 2+ 3
.
sin tdt
6
f o variabila aleatoare pe ( ; K; P ) cu functia de repartitie
[9.4].Fie 8
< 0; x < 0
Ff (x) = x; 0 x < 1
:
1; x 1
Determinam:
(a)densitatea de repartitie a v.a. g = ln f1 .
(b)P (g 2 ( 1; 2))
Rezolvare:
29
(a)nti, cum Ff este continua, f este v.a. continua si
P (f 0) = P (f < 0) = Ff (0) = 0, deci f > 0 P-a.s.
Functia de repartitie a v.a. g va data de:
Fg (y) = P (g < y) = P ln f1 < y = P f1 < ey = P (f e y
) = 1
y
Ff (e ), deci
1 e y; e y
<1 1 e y; y > 0
Fg (y) = = .
0; e y 1 0; y 0
Avem
y
e ;y > 0
Fg0 (y) = , deci Fg este derivabila pe Rnf0gsi q (y) = Fg0 (y) (8) y 2
0; y < 0
R n f0g.
R2 R2 y y 2 2
(b) P (g 2 ( 1; 2)) = q (y) dy = e dy = e j0 = 1 e .
1 0
[9.5].Fie X, Y variabile aleatoare pe ( ; K; P ) independente, identic repar-
1 1
tizate, cu tabelul de distributie 1 1 si e Z = XY .
2 2
Aratam ca X, Y , Z sunt independente doua cte doua, n timp ce X, Y , Z
nu sunt independente n ansamblul lor.
Rezolvare:
P (Z = 1) = P ((X = 1; Y = 1) [ (X = 1; Y = 1)) = P (X = 1; Y = 1)+
P (X = 1; Y = 1) = P (X = 1) P (Y = 1) + P (X = 1) P (Y = 1) = 12 .
P (Z = 1) = P ((X = 1; Y = 1) [ (X = 1; Y = 1)) = P (X = 1; Y = 1)+
P (X = 1; Y = 1) = P (X = 1) P (Y = 1) + P (X = 1) P (Y = 1) = 12 , deci
1 1
Z: 1 1 .
2 2
Fie (X; Z) : ( ; K; P ) ! R2 ; BR2 .
Cum X, Y sunt independente, avem
P (X = 1; Z = 1) = P (X = 1; XY = 1) = P (X = 1; Y = 1) = P (X = 1) P (Y = 1) =
1
4.
La fel,
P (X = 1; Z = 1) = P (X = 1; XY = 1) = P (X = 1; Y = 1) = P (X = 1) P (Y = 1) =
1
4.
P (X = 1; Z = 1) = P (X = 1; XY = 1) = P (X = 1; Y = 1) = P (X = 1) P (Y = 1) =
1
4.
P (X = 1; Z = 1) = P (X = 1; XY = 1) = P (X = 1; Y = 1) = P (X = 1) P (Y = 1) =
1
4.
Asadar, P (X = 1; Z = 1) = P (X = 1) P (Z = 1), P (X = 1; Z = 1) = P (X = 1) P (Z = 1),
P (X = 1; Z = 1) = P (X = 1) P (Z = 1), P (X = 1; Z = 1) = P (X = 1) P (Z = 1),
deci X, Z sunt independente.Analog se obtine ca X, Z sunt independente.
Fie, acum (X; Y; Z) : ( ; K; P ) ! R3 ; BR3 .
Avem P (X = 1; Y = 1; Z = 1) = 0, n timp ce P (X = 1) P (Y = 1) P (Z = 1) =
1
8.
[9.6].Fie (X; Y ) un vector bidimensional, denit astfel:
X =: aprecierea duratei D de functionare a unui sistem mecanic complex
fata de durata d garantata.
30
Y =: aprecierea capacitatii de functionare relativa la numarul n de iesiri din
functiune8
n raport cu numarul maxim N de iesiri, ca predictie pe durata d.
< 2,daca D < d
1, n > N
X = 0, daca D = d , Y = ., (X; Y ) :
: 1, n N
1, daca D > d
( 2; 1) ( 2; 1) (0; 1) (0; 1) (1; 1) (1; 1)
1 1 1 1 1 1 .
6 12 12 4 3 12
(a)Determinam repartitiile marginale ale variabilelor componente X, Y .
(b)Determinam repartitia conditionata a lui X n raport cu evenimentul
"numarul iesirilor din functiune este cel mult egal cu numarul maxim garantat",
reprezentat n model de (Y = 1).
(c)Stabilim daca durata de functionare este independenta de capacitatea de
functionare.
Rezolvare:
(a)Pentru determinarea repartitiilor marginale folosim modelul tabelului ma-
triceal din 6.7.1.
r 2 0 1
pYj
1 16 1
12
1
3 7
1 1 1 12
:
1 12 4 12 5
3 4 5
pX
i 12 12 12
12
2 0 1 1 1
Obtinem astfel, X : 3 4 5 si Y : 7 5 :
12 12 12 12 12
i i
(b)Conform 6.8, q(XjY =y2 ) = q(XjY =y2 ) , q(XjY =y2 ) = pi2 , pi2 =
i=1;2;3
pi2
P (X = xi j Y = y2 ) = pY
.Astfel,
2
1
p12 1
p12 = P (X = x1 j Y = y2 ) = pY
= 12
5 = 5, p22 = P (X = x2 j Y = y2 ) =
2 12
1 1
p22 3 p32 1
pY
= 4
5 = 5, p32 = P (X = x3 j Y = y2 ) = pY
= 12
5 = 5 si
2 12 2 12
2 0 1
(XjY =y2 ) : 1 3 1 .
5 5 5
(c)Avem de exemplu, P ((X; Y ) = (0; 1)) = 14 , n timp ce P (X = 0) P (Y = 1) =
4 5 20
12 12 = 144 .Din 5.13 rezult
a ca X si Y nu sunt independente.De altfel, din
i
(b) rezulta si ca q(XjY =y2 ) 6= pX
i i=1;2;3
, ceea ce arata ca X si Y sunt
i=1;2;3
corelate.
cx2 y, x 0 y 0 1 x+y 2
[9.7].Consideram functia p : R2 ! R, p (x; y) = ,
0, n rest
c 2 R.
(a)Determinam c astfel nct p sa e o densitate de repartitie.
21
(b)Pentru c = 20 determinam functia de repartitie a repartitiei cu densitatea
p.
(b) Determinam densitatile de repartitie marginale ale functiilor de repartitie
marginale.repartirepartitiile marginale vectorul aleator (X; Y ), cu densitatea de
repartitie
Rezolvare:
31
Z
(a)Conform 7.3 este sucient sa determinam c astfel nct I = p (x; y) dxdy =
Z Z R2
1.Avem p (x; y) dxdy = p (x; y) dxdy, D = (x; y) 2 R2 j x 0 y 0 1 x+y 2

R2 D
si cum D se scrie ca reuniunea domeniilor
02 simple 1 D1 = [0;2 1] 0[1 x; 21 x]
Z1 Zx Z 2Z x
si D2 = [1; 2] [0; 2 x], I = c x2 @ ydy A dx + c x2 @ ydy A =

0 1 x 1 0
Z1 Z2 Z1 Z2
y2 y2 x)2
c x2 2 j21 x
x dx + c x2 2 j20 x
dx = c x2 (3 2 x) dx + c x2 (2 2 =
0 1 0 1
c 14 + c 45 = 21
20 c.Se obtine c = 20
21 .
(b)Conform 7.2.(d), cum p este continua partial n orice punct (x; y) 2
@2F @ @
R2 , avem @x@y (x; y) = p (x; y) (8) (x; y) 2 R2 .Astfel, @x 2
@y F (x; y) = cx y,
@
@y F (x; y) = 3c x3 y + k1 ; F (x; y) = 6c x3 y 2 + k1 y + k2 daca (x; y) 2 D, F (x; y) =
k3 y + k4 daca (x; y) 2= D.Din (5.8)(d) trebuie ca k3 = k4 = 0 si din continuitate,
10 3 2
k1 = k2 = 0:Rezulta F (x; y) = 63 x y , (x; y) 2 D .
0, (x; y) 2 =D
Z1
(c)Aplicnd 7.6, p1 (x) = p (x; y) dy.Distingem cazurile:
1
(i) x 2 [0; 1].Atunci, p (x; y) 6= 0 pentru y 2 [1 x; 2 x] si avem p1 (x) =
2Z x
2
20 2 2 y 2 x
21 x ydy = 20
21 x
10 2
2 j1 x = 21 x (3 2x).
1 x
(ii) x 2 [1; 2].Atunci, p (x; y) 6= 0 pentru y 2 [0; 2 x] si avem p1 (x) =
2Z x
2 2
20 2 2 y 2 x
21 x ydy = 20
21 x 2 j0 = 10 2
21 x (2 x) .
0 8 10 2
< 21 x (3
2x) , daca x 2 [0; 1]
2
10 2
Obtinem p1 (x) = x) , daca x 2 [1; 2] .
21 x (2
:
0, x 2 ( 1; 0) [ (2; 1)
8 20
Z1 < 63 y 3y 2 9y + 7 , y 2 [0; 1]
20 3
Analog, p2 (y) = p (x; y) dx si rezulta p2 (y) = 63 y (2 y) , y 2 [1; 2] .
:
1 0, y 2 ( 1; 0) [ (2; 1)
10.Teme de control
[10.1].Fie variabilele aleatoare X, Y denite pe acelasi cmp de probabili-
tate si independente, cu tabelele de distributie:
1 0 1 1 0 1
X: ,Y : , x; y 0.
x + 16 y + 13 13 1
3 2x y 12x 2
(a)Sa se determine x si y.
(b)Sa se determine repartitia variabilei aleatoare 2XY .
32
(c)Pentru ce valori ale lui k are loc relatia P (X + Y = k) > 29 ?.
[10.2].Fie X, Y variabile aleatoare independente si identic reapartizate, cu
repartitia data prin tabelul de distributie:
k
p + q = 1, p; q > 0.
pq k k=0;1;2;3:::
Sa se calculeze:
(a)P (X + Y ) = 0
(b)P (X + Y ) = n
(c)P (X = k j X + Y = n) k < n.
[10.3].Se testeaza 3 prototipuri de aparate electronice.ecare dintre ele trece
testul cu probabilitatea p1 = 0; 9, p2 = 0; 8, respectiv p3 = 0; 5.
Sa se determine repartitia variabilei aleatoare ce reprerzinta numarul de
prototipuri care trec testul si functia ei de reparti
8 tie.
< 0; x < 0
[10.4].Se da functia p : R ! R, p (x) = ax2 ; 0 x 1 .
:
1; x > 1
(a)Sa se determine a astfel nct p sa e o densitate de probabilitate.
(b)Sa se determine valoarea medie, dispersia si functia de repartitie a unei
variabile aleatoare f pe cmpul ( ; K; P ), cu densitatea de probabilitate p, pre-
cum si probabilitatea P 1 < f < 12 .
( [10.5].Sa se determine a 2 R astfel nct functia F : R ! R, F (x) =
x2
1 e a ; x > 0 sa e functia de repartitie a unei variabile aleatoare con-
0; x 0
tinue f .Sa se determine densitatea de probabilitate a variabilei g = ef .
[10.6] Se transmit doua mesaje.Probabilitatea ca primul sa e e receptionat
corect este p1si probabilitatea ca al doilea sa e receptionat corect este p2 .Fie
1, daca mesajul "i" este receptionat corect
variabila aleatoare Xi = i =
0, daca mesajul "i" este receptionat gresit
1; 2:
Sa se determine repartitia variabilei (X1 ; X2 ) si functia ei de repartitie.
(Se presupune ca mesajele se receptioneaza independent).
[10.7].Fie (X; Y ) un vector bidimensional n care X reprezinta durata de
decodicare a unui semnal, relativa la o durata D pronosticata, iar Y reprezinta
corectitudinea
8 decodicarii semnalului.n modelul matematic, denim:
< 1; daca durata de decodicare este mai mare ca D
X= 0; daca durata de decodicare este egala cu D
:
1; daca durata de decodicare este mai mica ca D
1, daca semnalul este decodicat gresit
Y = .
1, daca semnalul este decodicat corect
Repartitia vectorului (X; Y ) este data prin tabelul de distributie
( 1; 1) ( 1; 1) (0; 1) (0; 1) (1; 1) (1; 1)
(X; Y ) : .
0; 1 0; 02 0; 48 0; 12 0; 08 0; 2
Sa se determine:
(a)Repartitiile marginale.
33
(b)Repartitiile conditionate q(XjY = 1) si q(XjY =1) ale variabilelor (X j Y = 1)
si (X j Y = 1).
(c) P (X = 1 j Y = 1) si P (Y = 1 j X 0).
[10.8]Fie (X; Y ) un vector aleator cu densitatea de repartitie:
c x2 + y ; (x; y) 2 D
p (x; y) = , D ind interiorul triunghiului drep-
0; (x; y) 2
=D
tunghic cu vrfurile n (0; 0), (0; 1), (1; 0).
(a)Sa se determine k.
(b)Sa se determine repartitiile marginale si sa se stabileasca daca X si Y
sunt variabile independente.
(c)Sa se determine densitatile de probabilitate conditionate p (x j y) si p (y j x).
34
MODULUL III
1.Valoarea medie a unei variabile aleatoare reale (a unei reparti tii

pe R)
2.Dispersia unei variabile aleatoare reale (a unei reparti tii pe R)
3.Momenteale variabilelor aleatoare reale (ale reparti tiilor pe R)
4.Caracteristici ale variabilelor aleatoare bidimensionale (ale repar-
tiilor pe R2 ).
ti
5.Coecientul de corela tie
6.Valori medii condi tionate.Drepte de regresie
8.Teme de control
1.Valoarea medie a unei variabile aleatoare reale (a unei reparti tii

pe R)
Relativ la o marime reprezentata ntr-un experiment aleator de o variabila
aleatoare reala, intereseaza posibilitatea de a i se atribui aesteia n studiul prob-
abilistic o valoare reala, care sa aiba proprietatile unei medii empirice.
[1.1].Deni tie.Fie f : ( ; K; P ) ! (R; B (R)) o variabila aleatoare.
(a)Daca este discreta, cu functia de frecventa specicata de
xi X
f: pi 0 i 2 I; pi = 1,
pi i2I
i2I
numim valoarea
X medie f sau media (sau speranta matematica) a lui f suma
M [f ] = xi pi (1)
i2I
daca seria din (1) este absolut convergenta (cnd I este numarabila), caz n
care spunem ca M [f ] < 1.
(b)Daca f este continua cu densitatea de repartitie p, numim valoarea medie
f sau media (sau speranta matematica) a lui f integrala
Z1
M [f ] = xp (x) dx (2)
1
daca integrala din (2) este absolut convergenta, caz n care spunem ca
M [f ] < 1.
[1.1.1].Remarca:
Deseori, M [f ] se scrie MP [f ], pentru a se specica probabilitatea relativ la
care se deneste aceasta valoare caracteristica.
Asa cum rezulta din denitia 1.1, valoarea medie a unei variabile aleatoare f
este determinata de repartitia acesteia, fapt pentru care ea se asociaza si repar-
titiei lui f , caz n care se noteaza M P f 1 .Aceasta caracteristica numerica
se asociaza direct oricarei repartitii pe R pentru care ea exista si se noteaza
M [ ], chiar daca nu se specica o variabila aleatoare cu aceasta repartitie.
[1.1.2].Observa tie.Aplicnd Denitia 1.1.pentru variabila Bernoulli
1
1 0
1A : , asociata unui eveniment A 2 K,
p 1 p
rezulta M [1A ] = p = P (A).
[1.2].Propozi tie (proprietati ale mediei).Daca f , g sunt variabile aleatoare
reale pe cmpul ( ; K; P ) astfel nct M [f ] < 1, M [g] < 1, atunci
(a)M [cf ] = cM [f ], c 2 R.
(b)M [f + g] = M [f ] + M [g],
adica aplicatia f ! M [f ] este o functionala liniara pe multimea variabilelor
aleatoare pe ( ; K; P ).
Demonstratie:
xi
(a)nti, consideram cazul n care f este discreta, denita de f : p
pi i2I i
X cxi X
0 i 2 I; pi = 1.Atunci, cf : pi 0 i 2 I; pi = 1 si avem
pi i2I
i2I i2I
X X
(cxi) pi = c xi pi = cM [f ] < 1.
i2I i2I
n cazul n care f este continua, cu densitatea de repartitie p si c 2 R ,
1
atunci densitatea de probabilitate a variabilei cf este q (y) = jcj p yc .Obtinem
Z1 Z1
1
yq (y) dy = jcj yp yc dy.Cu schimbarea de variabila z = yc n integrala
1 1
Z1 Z1
rezulta yq (y) dy = c q (y) dy = cM [f ].
1 1
xi X
(b)n cazul n care f : pi 0 i 2 I; pi = 1 si g :
pi i2I
i2I
yj X
qj 0 j 2 J; qj = 1, multimea valorilor variabilei f + g este
qj j2J i2I
[
S = fxi + yj j i 2 I; j 2 Jg.Pentru z 2 S avem (f + g = z) = ((f = xi ) \ (g = yj ))
f(xi ;yj )jxi +yj =zg
X X
si P (f + g = z) = P ((f = xi ) \ (g = yj )).Rezulta ca zP (f + g = z) =
f(xi ;yj )jxi +yj =zg z2S
0 1 0 1
X X X X
z@ P ((f = xi ) \ (g = yj ))A = @ zP ((f = xi ) \ (g = yj ))A
z2S f(x ;y )jx +y =zg z2S f(xi ;yj )jxi +yj =zg
XX i j i j
= (xi + yj ) P ((f = xi ) \ (g = yj )) =
i2I j2J
0 1 !
X X X X
xi @ P ((f = xi ) \ (g = yj ))A+ yj P ((f = xi ) \ (g = yj )) .Distributia
i2I j2J j2j i2I
de probabilitate a vectorului (f; g) este (P ((f = xi ) \ (g = yj ))) j(i;j)2I J =
X
(pij ) j(i;j)2I J si conform cu 6.7 n II, sumele pi = P ((f = xi ) \ (g = yj )),
j2j
2
X
qj = P ((f = xi ) \ (g = yj )) dau repartitiile marginale ale variabilelor f ,
i2I
X X X
respectiv g.Astfel, zP (f + g = z) = xi pi + yj qj = M [f ] + M [g].
z2S i2I j2j
n cazul n care f , g sunt continue, e (x; y) densitatea de repartitie a
vectorului (f; g).Conform 8.4 n II, variabila (f + g) are densitatea (u) =
Z1 Z1 Z1 Z1
p (u v; v) dv.Atunci, u (u) du = up (u v; v) dudv.Cu schim-
1 1 1 1
barea de variabila (u; v) ! (z; t), z = u v t = v n integrala rezulta
Z1 Z1 Z1 Z1 Z1 Z1 Z1
u (u) du = (z + t) p (z; t) dzdt = zp (z; t) dzdt+ tp (z; t) dzdt =
1 0 1 1 1 0 1 11 1 1
Z1 Z1 Z1 Z1
z@ p (z; t) dtA dz + t@ p (z; t) dz A dt.Conform cu 7.5 II, inte-
1 1 0 11 1 0 1
Z1 Z1
gralele pf (z) = @ p (z; t) dtA, pg (t) = @ p (z; t) dz A dau densitatile de
1 1
Z1 Z1
probabilitate ale variabielor f , respectiv g.Astfel, u (u) = zpf (z) dz +
1 1
Z1
tpg (t) dt = M [f ] + M [g].
1
[1.3].Propozi tie.Fie f , g sunt variabile aleatoare reale pe cmpul ( ; K; P )
astfel nct M [f ] < 1, M [g] < 1.
(a)Daca f 0, atunci M [f ] 0.
Daca, n plus P (f > 0) = 1, atunci M [f ] > 0.
(b)Daca f g, atunci M [f ] M [g].
Daca, n plus P (f < g) = 1, atunci M [f ] < M [g].
(c)jM (f )j M (jf j).
Demonstratie:
xi X
(a)Daca f : pi 0 i 2 I; pi = 1, cu xi 0, atunci
pi i2I
i2I
X
xi pi 0.Daca n plus (9) j 2 J a.. xj pj > 0, atunci M [f ] xj pj > 0.
i2I
Daca f este continua cu densitatea de repartitie p, cum P (f < 0) = 0 avem
Z0
p (x) dx = 0, deci p = 0 aproape peste tot n ( 1; 0) tinnd seama ca p este
1
Z1 Z1
nenegativa.Atunci, xp (x) dx = xp (x) dx 0.Daca n plus, P (f > 0) = 1,
1 0
3
Z1
avem p (x) dx > 0, deci (9) ( ; ) (0; 1) a.. p (t) > 0 (8) t 2 ( ; ).Atunci,
0
Z1 Z
xp (x) xp (x) > 0.
1
(b)Avem h 0, h = g f .Din (a) M [h] 0 si din 1.2 (b), M [f ]
M [g].Analog daca, n plus, avem P (f < g) = 1.
(c)Tinem
seama de inegalitatile jf j f jf j si aplicnd (b) si 1.2 (a),
rezulta M (jf j) M (f ) M (jf j).
[1.4].Propozitie.Fie ( ; K; P ) un cmp de probabilitate.
(a)(Teorema Beppo - Levi).Daca (fn )n 1 este un sir crescator de variabile
h i
aleatoare pozitive pe ( ; K; P ), atunci M lim fn = lim M [fn ].
n!1 n!1
(daca pentru o v.a. h avem h = 1 P a:s: atunci consideram M [h] = 1).
(b)(Lema lui Fatou).Pentru orice sir (fn )n 1 de variabile aleatoare pozitive
h i
pe ( ; K; P ), avem M lim inf fn lim inf M [fn ].
n!1 n!1
(c)(Teorema de convergenta dominata a lui Lebesgue).Daca (fn )n 1 este un
sir de variabile aleatoare pe ( ; K; P ) si f o variabila aleatoare pe acelasi cmp
de probabilitate cu M [f ] < 1, astfel nct P (,fn ! f ) = 1 si P (jfn j f ) = 1,
atunci avem lim M [fn ] = M [f ].
n!1
[1.5].Teorema(teorema de multiplicare).Fie f; g : ( ; K; P ) ! (R; B (R))
variabile aleatoare independente, cu M [f ] < 1, M [g] < 1.Atunci,
M [f g] = M [f ] M [g].
Demonstratie:
Presupunem nti ca f , g sunt discrete, cu functiile de frecventa precizate
xi X yj
de f : pi 0 i 2 I; pi = 1, g : q 0
pi i2I qj j2J j
i2I
X
j 2 J; qj = 1.Conform 6.4.1 n I, vectorul (f; g) are distributia de prob-
i2I
xi yj XX
abilitate (pi qj ) jI J .Avem fg : (i; j) 2 I J si xi yj pi qj =
pi q j
i2I j2J
!0 1
X X
xi pi @ yj qj A = M [f ] M [g], deci seria este absolut convergenta si
i2I j2J
avem M [f g] = M [f ] M [g].
Presupunem acum ca f si g sunt continue, cu densitatile de repartitie p,
respectiv q.Conform 7.5 din II, densitatea de repartitie a vectorului (f; g) este
r (x; y) = p (x) q (y) si din 8.4 I, variabila f g are densitatea de repartitie (u) =
Z1 Z1 Z1 Z1
1 1 1 1
jvj p jvj u q (v) dv.Avem u (u) du = jvj p jvj u q (v) =
1 1 1 1
4
Z1 Z1
ztp (z) q (t) dzdt =
1 01 10 1
Z1 Z1
@ zp (z) dz A @ tq (t) dtA = M [f ] M [g], egalitatile rezultnd n urma
1 1
1
schimbarii de variabila (u; v) ! (z; t) z = jvj u t = v.Rezulta ca integrala
este convergenta si M [f g] = M [f ] M [g].
Urmatorul rezultat tehnic este de baza n stabilirea unor reprezentari utile
ale valorii medii.
[1.6].Teorema (formula de transport).Fie f : ( ; K; P ) ! (R; B (R)) si
g : (R; B (R)) ! (R; B (R)) variabile aleatoare.Atunci,
MP f 1 [g] = MP [g f ].
Demonstratie:
(i)nti, pentru g = 1A , A 2 B (R) avem:
MP f 1 [g] = MP f 1 [1A ] = P f 1 (A) = P (f 2 A), asa cum rezulta din
1.1.2.
Apoi, MP [g f ] = MP 1(f 2A) = P (f 2 A).
S-a obtinut ca MP f 1 [g] = MP [g f ], (8) g = 1A , A 2 B (R) (1).
n
X
(ii)Pentru g = ai 1Ai , (Ai )i2I sistem complet de evenimente din B (R),
i=1
ai 2 R, folosind
" n (i) si 1.2
# putem scrie:
X X n Xn
MP f 1 ai 1Ai = ai MP f 1 [1Ai ] = ai MP [1Ai f ].Pe de alta
i=1 " n i=1 # n
i=1
X X
parte, MP [g f ] = MP ai (1Ai f ) = ai MP [1Ai f ].
i=1 i=1
n
X
S-a obtinut astfel ca MP f 1 [g] = MP [g f ], (8) g = ai 1Ai ; (Ai )i2I ,
i=1
(Ai )i2I sistem complet de evenimente din B (R), ai 2 R (2).
(iii).Folosim faptul ca pentru o variabila aleatoare nenegativa g exista un sir
de variabile aleatoare simple 0 g1 g2 gn cu lim gn (x) = g (x),
h i n!1
i
(8) x 2 R (sirul gn = max n 1(g i ) satisface aceste conditii).Din (2) avem
1 i n n
MP f [gn ] = MP [gn f ] (8) n 1 si din Teorema Beppo - Levi se obtine

1
MP f 1 [g] = MP [g f ], (8) g 0 (3).

(iv)n general, pentru o variabila aleatoare oarecare g denim g + = max (g; 0),
g = max ( g; 0).Avem g = g + g si din 1.2 si (3), MP f 1 [g] = MP f 1 [g + ]
MP f 1 [g ] = MP [g + (f )] MP [g (f )] =
Mp [(g + g ) (f )] = Mp [g (f )].
2.Dispersia unei variabile aleatoare reale (a unei reparti tii pe R)

Unei variabile aleatoare reale f pentru care M [f ] < 1 i se asociaza si o alta
valoare caracteristica, care masoara marimea abaterii aleatoare (f M [f ]) de
5
2
la valoarea medie, prin media variabilei (f M (f )) .
[2.1].Denitie.Fie f o variabila aleatoare astfel nct M [f ] < 1.Numim
dispersia sau varia
h tia lui f valoarea
i medie
2 2
D [f ] = M (f M [f ]) (1)
n conditia n care aceasta exista (caz n care spunem ca D2 [f ] < 1).
n particular,
xi
(a)Daca f este discreta, cu functia de frecventa specicata de f : pi
pi
X i2I
0 i 2 I; pi = 1,
i2I
X 2
2
D [f ] = (xi m) pi (2)
i2I
daca seria din (2) este absolut convergenta.
(b)Daca f este continua, cu densitatea de repartitie p,
Z1
2 2
D [f ] = (x m) p (x) dx (3)
1
daca integrala din (3) este absolut convergenta.
Explicitarile din (a) si (b) pentru cele doua tipuri de variabile aleatoare
rezulta prin aplicarea Teoremei 1.6 n (1) si a Denitiei 1.1.Astfel, daca ( ; K; P )
este cmpul de baz h a, i h i
2 2 2
D [f ] = MP (f M [f ]) = MP f 1 (x m) , unde m = M [f ].Tinem
apoi seama de reprezentarile valorii medii pentru o repartitie de tip discret,
respectiv continuu (vezi remarca din (1.1)).
[2.1.1].Remarca:
Asa cum rezulta din Remarca 1.1.1 relativa la denitia mediei unei variabile
aleatoare, dispersia lui f se asociaza repartitiei P f 1 , deasemenea.Aceasta
caracteristica numerica se asociaza direct oricarei repartitii pe R pentru care
ea exista si se noteaza D2 [ ], chiar daca nu se specica o variabila aleatoare cu
aceasta repartitie.
[2.1.2].Remarca:
(a)Dispersia lui f are sens (adica, M [f ] < 1 si D2 [f ] < 1) daca si numai
daca M f 2 < 1 (avem jf j < 1 + f 2 ).Daca M [f ] are sens, dar M f 2 = 1,
spunem ca D2 [f ] = 1. p
(b) Numim valoarea D [f ] = D2 [f ] abaterea medie patratica a lui f .
[2.2].Propozi tie.Fie f o variabila aleatoare astfel nct M f 2 < 1.Atunci,
2 2
D [f ] = M f M 2 [f ] (1)
n particular,
xi
(a)Daca f este discreta, cu functia de frecventa specicata de f : p
pi i2I i
X
0 i 2 I; pi = 1,
i2I !
X X
D2 [f ] = x2i pi x2i pi (2)
i2I i2I
6
01 12
Z1 Z
D2 [f ] = x2 p (x) @ x2 p (x)A (3)
1 1
Demonstrahtie: i
2
Avem M (f M [f ]) = M f 2 2M [f ] f + M 2 [f ] si folosim propri-
etatea de liniaritate a mediei (vezi 1.2).
Pentru explicitarile din (a) si (b) aplicam Teorema 1.6 n (1).
[2.3].Propozi tie(proprietatile dispersiei).Fie f , g variabile aleatoare pe ace-
lasi cmp de probabilitate, astfel nct M f 2 < 1, M g 2 < 1.Atunci,
(a) D2 [cf ] = c2 D2 [f ]
(b) D2 [f + g] = D2 [f ] + D2 [g] + 2M [(f M [f ]) (g M [g])].
n particular, daca f si g sunt independente, atunci
D2 [f + g] = D2 [f ] + D2 [g].
Valoarea M [(f M [f ]) (g M [g])] se numeste covarianta variabilelor f si

g si se noteaza cov (f; g) (vezi si 4.6).
Demonstratie:
Folosim proprietatea de liniaritate a mediei.Astfel,
2
(a)D2 [cf ] = M c2 fh 2 M 2 [cf ] = c2 M f 2 i (cM h[f ]) = c2 M f 2 M 2 [f ] .i
2 2
(b)D2 [f + g] = M ((f + g) M (f + g)) = M ((f M [f ]) + (g M [g])) =
h i h i
2 2
M (f M [f ]) + M (g M [g]) + 2M [(f M [f ]) (g M [g])] =
D2 [f ] + D2 [g] + 2M [(f M [f ]) (g M [g])].
Daca f , g sunt independente, atunci din teorema de multiplicare (vezi (1.5)),
avem M [(f M [f ]) (g M [g])] = M [f M [f ]] M [g M [g]] = 0.
3.Momente ale variabilelor aleatoare reale (ale reparti tiilor pe R)

[3.1].Deni tie.Numim moment de ordin r = 1; 2; 3; ::: al variabilei aleatoare
f valoarea medie
Mr [f ] = M [f r ] (1)
atunci cnd aceasta exista (caz n care spunem ca Mr [f ] < 1).
n particular,
xi
pi i2I i
X
0 i 2 I; pi = 1,
i2I
X
Mr [f ] = xri pi (2)
i2I
atunci cnd seria din (2) este convergenta.
(b)Daca f este continua, cu densitatea de probabilitate p,
Z1
Mr [f ] = xr p (x) dx (3)
1
atunci cnd integrala din (3) este absolut convergenta.
7
[3.1.1].Remarca:
Pentru r = 1, avem M1 [f ] = M [f ].
[3.2].Deni tie.Numim moment absolut de ordin r = 1; 2; 3; ::: al variabilei
aleatoare f valoarea medie
r
M r [f ] = M [jf j ] (1)
atunci cnd aceasta exista (caz n care spunem ca M r [f ] < 1).
xi
pi i2I i
X
0 i 2 I; pi = 1,
i2I
X r
M r [f ] = jxi j pi (2)
i2I
atunci cnd seria din (2) este absolut convergenta.
Z1
r
M r [f ] = jxj p (x) dx (3)
1
[3.3].Deni tie.Numim moment centrat de ordin r = 1; 2; 3; ::: al variabilei
aleatoare f cu M [f ] < 1 valoarea medie
r
Mrc [f ] = M [(f M [f ]) ] (1)
atunci cnd aceasta exista, caz n care spunem ca Mrc [f ] < 1.
n particular,
xi
pi i2I i
X
0 i 2 I; pi = 1,
i2I
X r
Mrc [f ] = (xi m) pi , m = M [f ]. (2)
i2I
Z1
c r
Mr [f ] = (x m) p (x) dx, m = M [f ].
1
[3.3.1].Remarca:
(i)Mrc [f ] are sens daca si numai daca M [f r ] < 1:
(ii)Pentru r = 2, avem M2c [f ] = D2 [f ].
[3.3.2].Remarca:
Asa cum rezulta din remarca 1.1.1 relativa la denitia mediei unei variabile
aleatoare, asociem momentul de ordin r, momentul absolut si momentul centrat
de ordin r al lui f repartitiei P f 1 , deasemenea.Aceaste valori caracteristice
se asociaza direct oricarei repartitii pe R pentru care ele exista, si se noteaza
8
respectiv Mr [ ], Mr [ ], Mrc [ ], chiar daca nu se specica o variabila aleatoare
cu aceasta repartitie.
Precizam urmatoarele inegalitati ale momentelor, utile tehnicilor de studiu
probabilistic.
[3.4].Propozi tie(Inegalitatea lui Schwartz).Dac

h a f ,ig sunt variabile
h ialeatoare
2 2
pe acelasi cmp de probabilitate, astfel nct M jf j < 1, M jgj < 1,
atunci 1 1
M [jf gj] M f 2 2 M g2 2
1 1
inegalitate care, relativ la 3.3 se scrie: M [jf gj] (M2 [f ]) 2 (M2 [g]) 2 .
[3.5].Propozi tie.(Inegalitatea lui Hlder).Daca f , g sunt variabile aleatoare
p q
pe acelasi cmp de probabilitate, astfel nct M [jf j ] < 1, M [jgj ] < 1, 1 p,
1 1
q 1, p + q = 1, atunci
1 1
p q
M [jf gj] (M [jf j ]) p (M [jgj ]) q
1 1
inegalitate care, relativ la 3.3 se scrie: M [jf gj] M p [f ] p M q [g] q .
[3.5.1].Remarca.
Pentru p = 2 si q = 2 n inegalitatea lui Hlder se obtine inegalitatea lui
Schwartz.
[3.6].Propozi tie(Inegalitatea lui Leapunov).Fie f o variabila aleatoare ast-
fel nct M p [f ] < 1, p = 2; 3; ::.Atunci, pentru orice 1 r < p avem
r
M [jf j ] < 1 si
r 1 p 1
(M [jf j ]) r (M [jf j ]) p
1 1
(adica, M r [f ] r M p [f ] p ).
[3.7].Propozi tie(Inegalitatea lui Markov).Daca f : ( ; K; P ) ! (R; B (R))este
o variabila aleatoare astfel nct M r [f ] < 1, r 1, atunci:
P (jf j a) Marr[f ] , a > 0.
n particular, P (jf j aM [jf j]) a1 .
Demonstratie:
r
Din inegalitatea ar 1(jf j a) jf j si 1.3. (a) rezulta ar M 1(jf j a)
r
M [jf j ], apoi tinem seama de Observatia (1.1.1).
[3.8].Propozi tie.(Inegalitatea lui Cebsev).Daca f : ( ; K; P ) ! (R; B (R))este
o variabila aleatoare astfel nct D2 [f ] < 1, r 1, atunci:
2
P (jf M [f ]j a) Da2[f ] , a > 0.
Putem considera urmatoarea inegalitate o generalizare a inegalitatii lui Ce-
bsev.Aceasta este de baza pentru stabilirea Legii numerelor mari.
[3.9].Propozi tie(Inegalitatea lui Kolmogorov).Daca f1 , f2 , ..., fn :( ; K; P ) !
(R; B (R)) sunt variabile aleatoare independente, astfel nct M [fk ] = 0 si
D2 [fk ] < 1 k = 1, 2, ..., atunci
Xn
D 2 (fk )
k=1
P max jfk j a a2 .
1 k n
tie.(Inegalitatea lui Minkovski).
[3.10].Propozi
9
p
Daca f; g:( ; K; P ) ! (R; B (R)) sunt variabile aleatoare cu M [jf j ] < 1,
p
M [jgj ] < 1, atunci:
p 1 p 1 p 1
(M [jf + gj ]) p (M [jf j ]) p + (M [jgj ]) p .
4.Caracteristici ale variabilelor aleatoare bidimensionale (ale repar-

tiilor pe R2 ).
ti
[4.1].Deni tie.Se numeste moment initial de ordin (k; s), k, s 2 N al vec-
torului aleator (f1 ; f2 ) : ( ; K; P ) ! R2 ; BR2 valoarea medie
mk;s [(f1 ; f2 )] = M f1k f2s
atunci cnd aceasta exista (caz n care spunem ca mk;s < 1).
n particular,
x1i1 ; x2i2 X
(a)Daca (f1 ; f2 ) : pi 1 i 2 0 (i1 ; i2 ) 2 I1 I2 ,
p i1 i2 i1 2I1
i2 2I2 i1 2I1
i2 2I2
pi1 i2 = 1, X X k s
mk;s [(f1 ; f2 )] = x1i1 x2i2 pi1 i2 (1)
i1 2I1 i2 2I2
(b)Daca (f1 ; f2 ) este variabila aleatoare continua cu densitatea de probabil-
itate p (x1 ; x2 ),
Z1 Z1
mk;s [(f1 ; f2 )] = xk1 xs2 p (x1 ; x2 ) dx1 dx2 (2)
1 1
[4.1.1].Remarca.
Asa cum rezulta din denitie moment initial de ordin (k; s) al unei vari-
abile aleatoare bidimensionale (f1 ; f2 ) este determinat de repartitia acesteia:De
1
aceea, asociem momentul initial de ordin (k; s) al lui f repartitiei P (f1 ; f2 ) ,
deasemenea.Aceasta valoare caracteristica se asociaza direct oricarei repartitii
pe R2 pentru care ea exista si se noteaza respectiv mk;s [ ], chiar daca nu se
specica o variabila aleatoare cu aceasta repartitie.
[4.2].Propozi tie.Daca mk;s [(f1 ; f2 )] este momentul de ordin (k; s) al vari-
abilei aleatoare (f1 ; f2 ), atunci:
mk;0 [(f1 ; f2 )] = M f1k , m0;s [(f1 ; f2 )] = M [f2s ].
Demonstratie:
(a)Daca p1i1 i 2I , p2i2 i 2I sunt repartitiile marginale ale variabilelor aleatoare
1 1 2 2
discrete f1 , respectiv f2 , atunci !
X X X X X
1 k 1 k k
mk;0 = xi1 pi1 i2 = xi1 pi1 i2 = x1i1 p1i1 =
i1 2I1 i2 2I2 i1 2I1 i2 2I2 i1 2I1
Mk [f1 ]. !
X X s X s X X s
m0;s = x2i2 pi1 i2 = x2i2 pi 1 i 2 = x2i2 p2i2 =
i1 2I1 i2 2I2 i2 2I2 i1 2I1 i2 2I2
Ms [f2 ].
10
(b)Daca p1 (x1 ), p2 (x2 ) sunt densitatile de probabilitate marginale ale vari-
abilelor aleatoare continue f1 , respectiv f2 , atunci:
01 1
Z1 Z1 Z1 Z Z1
k k@ A
mk;0 = x1 p (x1 ; x2 ) dx1 dx2 = x1 p (x1 ; x2 ) dx2 dx1 = xk1 p1 (x1 ) dx1 =
1 1 1 1 1
Mk [f1 ]. 0 1
Z1 Z1 Z1 Z1 Z1
m0;s = xs2 p (x1 ; x2 ) dx1 dx2 = xs2 @ p (x1 ; x2 ) dx1 A dx2 = xs2 p2 (x2 ) dx2 =
1 1 1 1 1
Ms [f2 ].
[4.3].Propozi tie.Daca mk;s [(f1 ; f2 )] este momentul de ordin (k; s) al vari-
abilei aleatoare (f1 ; f2 ), si f1 , f2 sunt variabile aleatoare independente, atunci:
mk;s [(f1 ; f2 )] = M f1k M [f2s ].
Demonstratie:
(a)Daca f1 , f2 sunt variabile aleatoare discrete, cu functiile de frecventa
x1i1 x2i2
(f1 ) : , (f2 ) : , atunci functia de frecventa a vectorului
pi1 i 2I pi2 i 2I
1 1 2 2
x1i1 ; x2i2
(f1 ; f2 ) este data de , cu pi1 i2 = pi1 pi2 (vezi 6.4.1 II).Obtinem
pi 1 i 2 i1 2I1
X X i2 2I2X X
k s k s
mk;s = x1i1 x2i2 pi1 pi2 = x1i1 pi1 x1i2 pi2 =M f1k M [f2s ].
i1 2I1 i2 2I2 i1 2I1 i2 2I2
(b)Daca f1 , f2 sunt variabile aleatoare continue, cu densitatile de repar-
titie p1 (x1 ), p2 (x2 ), atunci densitatea de repartitie a vectorului (f1 ; f2 ) este 01 10
Z1 Z1 Z
p (x1 ; x2 ) = p (x1 ) p (x2 ) (vezi 7.5 II).Obtinem mk;s = xk1 xs2 p1 (x1 ) p2 (x2 ) dx1 dx2 =@ xk1 p1 (x1 ) dx1 A @
1 1 1
= M f1k M [f2s ].
[4.4].Deni tie.Se numeste moment centrat (k; s), k, s 2 N al vectorului
aleator (f1 ; f2 ) : ( ; K;hP ) ! R2 ; BR2 valoarea imedie
k s
k;s[(f1 ; f2 )] = M (f1 m1;0 ) (f2 m0;1 ) (1)
atunci cnd aceasta exista (caz n care spunem ca k;s < 1).
n particular,
x1i1 ; x2i2 X
(a)Daca (f1 ; f2 ) : p i1 i2 0 (i1 ; i2 ) 2 I1 I2 ,
pi 1 i 2 i1 2I1
i2 2I2 i1 2I1
i2 2I2
pi1 i2 = 1, X X k s
k;s [(f1 ; f2 )] = x1i1 m1;0 x2i2 m0;1 pi 1 i 2 (2)
i1 2I1 i2 2I2
(b) )Daca (f1 ; f2 ) este variabila aleatoare continua cu densitatea de proba-
bilitate p (x1 ; x2 ),
Z1 Z1
k s
k;s [(f1 ; f2 )] = (x1 m1;0 ) (x2 m0;1 ) p (x1 ; x2 ) dx1 dx2 (3)
1 1
11
[4.4.1].Remarca.Momentul centrat (k; s), k, s 2 N al vectorului aleator
1
(f1 ; f2 ) se asociaza repartitiei P (f1 ; f2 ) , deasemenea.Aceasta valoare carac-
teristica se asociaza direct oricarei repartitii pe R2 pentru care ea exista si se
noteaza k;s [ ].
[4.5].Propozi tie.Daca k;s [(f1 ; f2 )]este momentul centrat de ordin (k; s)
al variabilei aleatoare (f1 ; f2 ), atunci:
c c
k;0 [(f1 ; f2 )] = Mk [f1 ], 0;s [(f1 ; f2 )] = Mk [f2 ]
[4.6].Deni tie.Momentul centrat de ordin (1; 1) al vectorului (f1 ; f2 ), n
cazul cnd acesta exista, se numeste covarianta sau corelatia variabilelor aleatoare
not
f1 , f2 si se noteaza 1;1 [(f1 ; f2 )] = cov (f1 ; f2 ).
x1i1 ; x2i2 X
(a)Daca (f1 ; f2 ) : pi 1 i 2 0 (i1 ; i2 ) 2 I1 I2 ,
p i1 i2 i1 2I1
i2 2I2 i1 2I1
i2 2I2
pi1 i2 = 1, X X
cov (f1 ; f2 ) = x1i1 m1;0 x2i2 m0;1 pi1 i2 (1).
i1 2I1 i2 2I2
(b)Daca (f1 ; f2 ) este variabila aleatoare continua cu densitatea de probabil-
itate p (x1 ; x2 ),
Z1 Z1
cov (f1 ; f2 ) = (x1 m1;0 ) (x2 m0;1 ) p (x1 ; x2 ) dx1 dx2 (2).
1 1
[4.6.1].Observa tie.
Tinnd
seama ca m1;0 = M [f1 ] si m0;1 = M [f2 ], din 4.4. putem scrie:
cov (f1 ; f2 ) = M
X[(fX1 M [f1 ]) (f2 M [f2 ])]
cov (f1 ; f2 ) = x1i1 m1 x2i2 m2 pi1 i2 , mi = M [fi ] i = 1; 2 .
i1 2I1 i2 2I2
Z1 Z1
cov (f1 ; f2 ) = (x1 m1 ) (x2 m2 ) p (x1 ; x2 ) dx1 dx2 , mi = M [fi ]
1 1
i = 1; 2.
[4.7].Propozi tie.Fie (f1 ; f2 ) o variabila aleatoare pentru care 1;1 < 1.Atunci,
cov (f1 ; f2 ) = M [f1 f2 ] M [f1 ] M [f2 ], care se mai scrie cov (f1 ; f2 ) = m1;1
m1;0 m0;1 .
n particular, pentru o variabila aleatoare f cu M f 2 < 1, cov (f; f ) =
2
D [f ].
Demonstratie:
x1i1 ; x2i2 X
(a)Daca (f1 ; f2 ) : pi 1 i 2 0 (i1 ; i2 ) 2 I1 I2 ,
p i1 i2 i1 2I1
i2 2I2 i1 2I1
i2 2I2
pi1 i2 = 1, si p1i1 i 2I , p2i2 sunt repartitiile marginale ale lui f1 , f2 , atunci:
i2 2I2
X X 1 1 X X
1;1 = (xi1 xi2 m1;0 xi2 m0;1 xi1 + m1;0 m0;1 ) pi1 i2 = xi1 xi2 pi1 i2
i1 2I1 i2 2I2 i1 2I1 i2 2I2
12
! !
X X X X X X
m1;0 xi2 pi 1 i 2 m0;1 xi1 p i1 i2 + m1;0 m0;1 pi1 i2 =
i2 2I2 i1 2I1 i1 2I1 i2 2I2 i1 2I1 i1 2I1
X X X X X X
xi1 xi2 pi1 i2 m1;0 xi2 p2i2 m0;1 xi1 p1i1 +m1;0 m0;1 pi 1 i 2 =
i1 2I1 i2 2I2 i2 2I2 i1 2I1 i1 2I1 i1 2I1
m1;1 m1;0 m0;1 m0;1 m1;0 + m1;0 m0;1 =m1;1
m1;0 m0;1 .
(b)Presupunem acum ca (f1 ; f2 ) este continua cu densitatea de repartitie
p (x1 ; x2 ) si p1 , p2 sunt repartitiile marginale ale lui f1 , f2 .n acest caz,
Z1 Z1 Z1 Z1
1;1 = (x1 m1;0 ) (x2 m0;1 ) p (x1 ; x2 ) dx1 dx2 = x1 x2 p (x1 ; x2 ) dx1 dx2
1 1
0 1 0 1 1 1
Z1 Z1 Z1 Z1
m1;0 x2 @ p (x1 ; x2 ) dx1 A dx2 m0;1 x1 @ p (x1 ; x2 ) dx2 A dx1 +
1 1 1 1
Z1 Z1
m1;0 m0;1 p (x1 ; x2 ) dx1 dx2 =m1;1 m1;0 m0;1 m0;1 m1;0 + m1;0 m0;1
1 1
=m1;1 m1;0 m0;1 .
[4.8].Deni tie.Daca (f1 ; f2 ) este o hvariabil
i a aleatoare bidimensionala de
2
patrat integrabil (adica, astfel nct M jf j < 1), denim matricea de co-
variatie sau de corelatie a lui f
Cf = (cov (fi ; fj ))1 i;j 2 .
[4.8.1].Remarca:
Deoarece cov (fi ; fj ) = cov (fj ; fi ) 1 i; j 2, rezulta ca matricea de
corelatie este simetrica.
[4.9].Deni tie.(a)Pentru un vector aleator f = (f1 ; f2 ) pentru care M [f1 ] <
1 si M [f2 ] < 1, denim valoarea medie sau media lui (f1 ; f2 ) ca ind vectorul
M [(f1 ; f2 )] = (M [f1 ] ; M [f2 ]) :
(b)Daca A = (Aij )1 i;j 2 este o matrice aleatoare (adica, componentele
Aij sunt variabile aleatoare), denim valoarea medie a lui A ca ind matricea
M [A] = (M [Aij ])1 i;j 2 :
Tinnd
seama
h de 4.9.(b) rezulta ca i
T
Cf = M (f M [f ]) (f M [[f ]])
T
(avem (f M [f ]) (f M [[f ]]) = ((fi M [fi ]) (fj M [fj ]))1 i;j 2 ((f M [f ])
ind considerat ca o matice aleatoare uniliniara) si folosim exprimarea pentru
cov (fi ; fj ) din 4.6.1).
[4.10].Propozi tie.Daca g : R2 ! R este astfel nct g 1 (A) 2 BR (8) A 2
BR , atunci valoarea medie X aX lui g (f1 ; f2 ) este
(a)M [g (f1 ; f2 )] = g x1i1 ; x2i2 pi1 i2 , cnd (f1 ; f2 ) este v.a.discreta,
i1 2I1 i2 2I2
x1i1 ; x2i2 X
(f1 ; f2 ) : pi 1 i 2 0 pi1 i2 = 1.
pi 1 i 2 i1 2I1
i2 2I2 i1 2I1
i2 2I2
13
Z1 Z1
(b)M [g (f1 ; f2 )] = g (x1 ; x2 ) p (x1 ; x2 ) dx1 dx2 , cnd (f1 ; f2 ) este v.a.continua
1 1
avnd densitatea de repartitie p (x1 ; x2 ).
5.Coecientul de corela tie

[5.1].Deni tie:Fie f1 , f2 : ( ; K; P ) ! R2 ; BR2 variabile aleatoare astfel
nct M f12 < 1, M f22 < 1.Denim coecientul de corelatie dintre f1si f2
valoarea
cov(f1 ;f2 )
r (f1 ; f2 ) = D[f 1 ]D[f2 ]
= p 1;1 p ,
2;0 0;2
unde k;s este momentul centrat de ordin (k; s) al variabilei bidimensionale
(f1 ; f2 ).
[5.1.1].Remarca:
r (f1 ; f2 ) masoara gradul de dependenta liniara dintre f1 , f2 .
Variabilele aleatoare pentru care r (f1 ; f2 ) = 0 se numesc necorelate.
[5.2].Propozi tie.Daca f1 , f2 sunt variabile aleatoare independente, cu M f12 <
1, M f22 < 1, atunci r (f1 ; f2 ) = 0.
Demonstratie:
Rezulta din 4.7, aplicnd Teorema de multiplicare 1.5.
Reciproca propozitiei 5.2. nu este adevarata.
x2
Daca f1 este v.a. continua, cu densitatea de repartitie p (x) = p12 e 2 (variabila
normala N (0; 1), asa cum este prezentata n ,), iar f2 = f12 , atunci cov (f1 ; f2 ) =
Z1
1 x2
3 2
M f1 M [f1 ] M f1 = 0 deoarece M [f1 ] = 2 p xe 2 dx = 0, M f13 =
1
Z1
x2
p1 x3 e 2 dx = 0, integrandul ind functie impara.Pe de alta parte, f1 , f12
2
1
sunt dependente.
[5.3].Propozi tie.Fie r (f1 ; f2 ) coecientul de corelatie dintre variabilele aleatoare
f1 , f2 .Atunci,
r2 (f1 ; f2 ) 1.
Demonstratie.
Din Inegalitatea lui Schwartz avem:
jcov (f1 ; f2 )j M [j(f1 M [f1 ]) (f2 M [f2 ])j] D [f1 ] D [f2 ].
Problema aproximarii unei variabile aleatoare f cu ajutorul unei functii
liniare ag + b se reduce
h la determinarea
i constantelor a si b care minimizeaza
2
valoarea medie M (f ag b) .n acest sens avem urmatorul rezultat:
[5.4].Teorema.Fie f , g variabile aleatoare cu M f 2 < 1, M g 2 < 1 si
2
D [g] h> 0.Atunci, i
2
M (f ag b) are valoare minima pentru b = M [f ] aM [g] si a =
cov(f;g)
D 2 [g] .
Demonstratie:
14
h i
2
M ((f ag) b) este minima pentru b = M [f ] aM [g].Pentru aceasta
valoareh a lui b; i h i h i
2 2 2
M (f ag b) = M ((f M [f ]) a (g M [g])) = M (f M [f ])
h i
2
2aM [(f M [f ]) (g M [g])] + a2 M (g M [g]) = D2 [f ] 2acov (f; g) +
h i
2
a2 D2 [g].n aceasta forma M (f ag b) si atinge valoarea minima pentru
a = cov(f;g)
D 2 [g] .
Din Teorema 5.4 rezulta ca cea mai buna aproximare liniara a variabilei f
cu variabila g este de forma
h = cov(f;g)
D 2 [g] (g M [g]) + M [f ] [5.5]
si are loch egalitatea: i h i
2 2
min M (f ag b) = M (f h) = 1 r2 D2 [f ] [5.6]
a;b2R
r = r (f; g) ind coecientul de corelatie dintre f si g.
2
2 2 2
(avem (f h) = (f M [f ]) 2 cov(f;g) D 2 [g] (f M [f ]) (g M [g])+ cov(f;g)
D 2 [g] (g M [g])
h i
2 2 (cov(f;g))2 2
si M (f h) = D [f ] D2 [g]D2 [f ] D [f ].
[5.7].Deni tie.Dreapta de ecuatie
y = cov(f;g)
D 2 [g] (x M [g]) + M [f ]
se numeste dreapta celor mai mici patrate a lui f n raport cu g.
6.Valori medii condi tionate

[6.1].Deni tie.
(a)Daca (f1 ; f2 ) este o variabila aleatoare discreta astfel nct M [f2 ] < 1,
x1i1 ; x2i2
avnd repartitia denita prin tabelul de distributie ; pi 1 i 2
pi 1 i 2 i1 2I1
i2 2I2
X
0 (i1 ; i2 ) 2 I1 I2 , pi1 i2 = 1 si q(f2 jf1 =xi ) = q i2f jf =x este
1 ( 2 1 i1 ) i2 2I2
(i1 ;i2 )2I1 I2
repartitia conditionata a lui f2 n raport cu evenimentul (f1 = xi1 ), numim val-
oarea medie conditionata a lui f2 n raport cu evenimentul (f1 = xi1 ) valoarea
medie a variabilei aleatoare (f2 j f1 = xi1 ) (a repartitiei q(f2 jf1 =xi ) ),
X X p
i
M [f2 j f1 = xi1 ] = x2i2 q i2f jf =x = x2i2 pi11i2 , cnd p1i1 > 0 si

( 2 1 i1 ) i1
i2 2I2 i2 2I2
M [f2 j f1 = xi1 ] = 0 cnd p1i1 = 0, i1 2 I1 ( p1i1 i 2I ind repartitia marginala
1 1
a lui f1 ).
(b)Daca (f1 ; f2 ) este o variabila aleatoare continua, astfel nct M [f2 ] < 1,
avnd densitatea de repartitie p (x1 ; x2 ) si p ( j x) este densitatea de repartitie
conditionata a lui f2 n raport cu evenimentul (X = x) , numim valoarea me-
die conditionata a lui f2 n raport cu evenimentul (X = x) valoarea medie a
variabilei aleatoare (f2 j X = x) (a repartitiei cu functia de repartitie F ( j x))
Z1 Z1
M [f2 j f1 = x1 ] = x2 p (x2 j x1 ) dx2 = x2 p(x1 ;x2 )
p (x1 ) dx2 , cnd p1 (x1 ) >
1
1 1
15
0 si M [f2 j f1 = x1 ] = 0 cnd p1 (x1 ) = 0, x1 2 R (p1 ind densitatea de
repartitie marginala a lui f1 ):
[6.2].Deni tie.Daca (f1 ; f2 ) : ( ; K; P ) ! R2 ; BR2 este o variabila aleatoare
astfel nct M [f2 ] < 1, numim valoarea medie conditionata a lui f2 de f1 vari-
abila aleatoare
M [f2 j f1 ] : ( ; K; P ) ! (R; BR ), M [f2 j f1 ] (!) = M [f2 j f1 = f1 (!)].
[6.3].Lema.Fie (f1 ; f2 ) o variabila aleatoare cu M [f2 ] < 1.Avem
M [M [f2 j f1 ]] = M [f2 ].
Pentru demonstratia lemei este utila urmatoarea remarca:
[6.3.1].Remarca:
Functia g : R; B(R) ! (R; BR ) g (x1 ) = M [f2 j f1 = x1 ] verica:
(a)g 1 (A) 2 BR , (8) A 2 BR
(b)M [f2 j f1 ] = g f1 .
Demonstratie ( 6.3.):
Fie ( ; K; P ) cmpul de baza.
Tinnd
cont de 6.3.1, aplicnd 1.6 obtinem:
M [M [f2 j f1 ]] = M [M [f2 j f1 = ] f1 ] = MP f 1 [M [f2 j f1 = ]].De aici,
1
!
X X X p
M [M [f2 j f1 ]] = M f2 j f1 = x1i1 p1i1 = x2i2 p11 2 p1i1 =
i i
i1
i1 2I
!1 i1 2I1 i2 2I2
X X X
x2i2 pi1 i2 = x2i2 p2i2 = M [f2 ], daca (f1 ; f2 ) este discreta, ca
i2 2I2 i1 2I1 i2 2I2
n 6.1 (a).
Daca (f1 ; f2 ) este continua, ca n 6.1 (b), obtinem: 01 1
Z1 Z1 Z
M [M [f2 j f1 ]] = M [f2 j f1 = x1 ] p1 (x1 ) dx1 = @ x2 p(x1 ;x2 ) A p1 (x1 ) dx1 =
p (x1 ) dx2 1
0 1 1 1 1
Z1 Z1 Z1
x2 @ p (x1 ; x2 ) dx1 A dx2 = x2 p2 (x2 ) dx2 = M [f2 ].
1 1 1
Urmatorul rezultat este util pentru calculul valorii medii al unei variabile
componente a unui vector aleator bidimensional, atunci cnd se cunoaste repar-
titia conditionata a acesteia n raport cu cealalta variabila.
[6.4].Propozi
X X tie.Fie (f1 ; f2 ) o variabila aleatoare cu M [f2 ] < 1.Avem
M [f2 ] = x2i2 q i2f jf =x p1i1 , daca (f1 ; f2 ) este discreta, ca n 6.1 (a).
( 2 1 i1 )
i2I1 i2 2I2
Z1
M [f2 ] = x2 p (x2 j x1 ) p1 (x1 ) dx1 , daca (f1 ; f2 ) este continua, ca n 6.1
1
(b).
Demonstratie:
Din Lema 6.3 avem
M [f2 ] = M [M [f2 j f1 ]] = MP f 1 [M [f2 j f1 = ]] (1).
1
Din (1) si folosind reprezentarile din 6.1 cu repartitiile conditionate, obtinem:
16
X X X
M [f2 ] = M f2 j f1 = x1i1 p1i1 = x2i2 q i2f jf =x p1i1 , n cazul
( 2 1 i1 )
i1 2I1 i2I1 i2 2I2
discret.
Z1 Z1
M [f2 ] = M [f2 j f1 = x1 ] p1 (x1 ) dx1 = x2 p (x2 j x1 ) p1 (x1 ) dx1 , n
1 1
cazul continuu.
[6.5].Deni tie.Fie (f1 ; f2 ) : ( ; K; P ) ! (R; BR ) o variabila aleatoare.Pentru
x 2 R e ((f1 ; f2 ) j f1 = x) : ( ; K; P ) ! R2 ; BR2 variabila aleatoare care ia
valorile (x; f2 (!)) ! 2 , cu aceeasi repartitie ca (f2 j f1 = x).
Fie u : R2 ; BR2 ! (R; BR ) cu proprietatea u 1 (A) 2 BR2 , (8) A 2 BR (n
def
particular, putem considera u continua) si (u (f1 ; f2 ) j f1 = x) = u ((f1 ; f2 ) j f1 = x).
(a)Daca M [u ((x; f2 ))] < 1 denim valoarea medie conditionata a lui u (f1 ; f2 )
n raport cu evenimentul (f1 = x) ca ind valoarea medie a variabilei aleatoare
(u (f1 ; f2 ) j f1 = x).
(b)Daca M [u ((f1 ; f2 ))] < 1 denim valoarea medie conditionata a lui
u (f1 ; f2 ) n raport cu f1 ca ind variabila aleatoare M [u (f1 ; f2 ) j f1 ] : ( ; K; P ) !
(R; BR ), M [u (f1 ; f2 ) j f1 ] (!) = M [u (f1 ; f2 ) j f1 = f1 (!)]
[6.6].Propozi tie.Fie (f1 ; f2 ) si u : R2 ; B R2 ! (R; BR ) ca n 6.5.Atunci,
X X p
(a)M [u (f1 ; f2 ) j f1 = xi1 ] = u x1i1 ; x2i2 q i2f jf =x = u x1i1 ; x2i2 pi11i2
( 2 1 i1 ) i1
i2 2I2 i2 2I2
daca p1i1 > 0 si M [u (f1 ; f2 ) j f1 = xi1 ] = 0 daca p1i1 = 0, cnd (f1 ; f2 ) este
v.a.discreta, ca n 6.1 (a).
Z1 Z1
(b)M [u (f1 ; f2 ) j f1 = x1 ] = u (x1 ; x2 ) p (x2 j x1 ) dx2 = u (x1 ; x2 ) p(x 1 ;x2 )
p1 (x1 ) dx2
1 1
daca p1 (x1 ) > 0 si M [u (f1 ; f2 ) j f1 = x1 ] = 0 daca p1 (x1 ) = 0, atunci cnd
(f1 ; f2 ) este v.a. continua, ca n 6.1 (b).
DemonstratIe:
Aplicam 1.6. Rezulta :
M [(u (f1 ; f2 ) j f1 = x)] = M [u ((f1 ; f2 ) j f1 = x)] = MP ((f1 ;f2 )jf1 =x) 1 [u],
de unde obtinem mai departe reprezentarile din (a) si (b), considern cazul vec-
torului aleator discret, respectiv continuu.
Urmatorul rezultat este util pentru calculul valorii medii a unei functii de
doua variabile aleatoare, atunci cnd se cunoaste legea dupa care sunt reparti-
zate valorile uneia dintre variabile, relativ la legea de repartitie a celeilalte.
[6.7].Propozi tie.Fie (f1 ; f2 ) si u : R2 ; B R2 ! (R; BR ) ca n 6.5.Atunci,
X X
(a)M [u (f1 ; f2 )] = u x1i1 ; x2i2 q i2f jf =x p1i1 , cnd (f1 ; f2 ) este v.a.discreta,
( 2 1 i1 )
i1 2I1 i2I2
ca n 6.1 (a).
Z1 Z1
(b)M [u (f1 ; f2 )] = u (x1 ; x2 ) p (x2 j x1 ) p1 (x1 ) dx1 dx2 , cnd (f1 ; f2 )
1 1
este v.a. continua, ca n 6.1 (b).
[6.8].Corolar.Fie (f1 ; f2 ) o variabila aleatoare.
17
Daca mk;s < 1 (mk;s ind momentul de ordin (k; s)), atunci:
X X k s
(a)mk;s = x1i1 x2i2 q i2f jf =x p1i1 , cnd (f1 ; f2 ) este v.a.discreta,
( 2 1 i1 )
i1 2I1 i2I2
ca n 6.1 (a).
Z1 Z1
mk;s = xk1 xs2 p (x2 j x1 ) p1 (x1 ) dx1 dx2 , cnd (f1 ; f2 ) este v.a. con-
1 1
tinua, ca n 6.1 (b).
n particular,
X X k
M fk = x1i1 q i2f jf =x p1i1 , cnd (f1 ; f2 ) este v.a.discreta, ca
( 2 1 i1 )
i1 2I1 i2I2
n 6.1 (a).
Z1 Z1
k
M f = xk1 p (x2 j x1 ) p1 (x1 ) dx1 dx2 , cnd (f1 ; f2 ) este v.a. con-
1 1
tinua, ca n 6.1 (b).
Daca k;s < 1 ( k;s ind momentul centrat de ordin (k; s))), atunci:
X X k s
(b) k;s = x1i1 m1;0 x2i2 m0;1 q i2f jf =x p1i1 , cnd (f1 ; f2 )
( 2 1 i1 )
i1 2I1 i2I2
este v.a.discreta, ca n 6.1 (a).
Z1 Z1
k s
k;s = (x1 m1;0 ) (x2 m0;1 ) p (x2 j x1 ) p1 (x1 ) dx1 dx2 , cnd
1 1
(f1 ; f2 ) este v.a. continua, ca n 6.1 (b).
n particular,
X X 2
D2 [fk ] = x1i1 m1;0 q i2f jf =x p1i1 , cnd (f1 ; f2 ) este v.a.discreta,
( 2 1 i1 )
i1 2I1 i2I2
ca n 6.1 (a).
Z1 Z1
2 2
D [fk ] = (x1 m1;0 ) p (x2 j x1 ) p1 (x1 ) dx1 dx2 , cnd (f1 ; f2 ) este
1 1
v.a. continua, ca n 6.1 (b)
cnd D2 [fk ] <X 1. X
cov (f1 ; f2 ) = x1i1 m1;0 x2i2 m0;1 q i2f jf =x p1i1 , cnd (f1 ; f2 )
( 2 1 i1 )
i1 2I1 i2I2
este v.a.discreta, ca n 6.1 (a).
Z1 Z1
cov (f1 ; f2 ) = (x1 m1;0 ) (x2 m0;1 ) p (x2 j x1 ) p1 (x1 ) dx1 dx2 , cnd
1 1
(f1 ; f2 ) este v.a. continua, ca n 6.1 (b)
cnd cov (f1 ; f2 ) < 1.
[6.9].Deni tie.Fie Y o variabila aleatoare cu M [Y ] < 1.
Curba y = y (x), y (x) = M [Y j X = x] se numeste linia de regresie a vari-
abilei Y n raport cu variabila X.
18
Curba x = x (y), x (y) = M [X j Y = y] se numeste linia de regresie a vari-
abilei X n raport cu variabila Y .
[6.10].Propozi tie.
(a)Daca linia de regresie y (x) = M [Y j X = x] este o dreapta paralela cu
axa Ox, atunci cov (X; Y ) = 0.
(b)Daca X si Y sunt variabile aleatoare independente, atunci linia de regresie
a variabilei Y n raport ca variabila X este o dreapta paralela cu Ox:
Demonstratie:
Presupunem ca y (x) = c, (8) x 2 R, unde c 2 R.
(a)Fie (pij )(i;j)2I1 I2 distributia de probabilitate a vectorului (X; Y ) si pXi i2I1 ,

Y
pj j2I repartitiile marginale ale variabilelor X, Y .
2 X p X
Daca c 6= 0, atunci din 6.1(a), avem c = ij
yj pX , deci cpX
i = yj pij .nsumnd,
i
j2I2 j2I2
!
X X X X
obtinem c pX
i = yj pij , deci c = yj pYj = M [Y ] (1).Din (1) si
i2I1 j2I2 i2I1 j2I2
4.7 putem scrie: XX
cov (X; Y ) = M [XY ] M [X] M [Y ] = xi yj q j (Y j X = xi ) pX
i
i2I1 j2I2
cM [X] = 0 1
X X X
xi @ yj q j (Y j X = xi )A pX
i cM [X] = xi M [Y j X = xi ] pX
i
i2I1 j2I2 i2I1
cM [X]X=
c xi pX
i cM [X] = 0.
i2I1
Daca c = 0, este X
vericata egalitatea cov (X; Y ) = 0, daca tinem seama
ca avem M [XY ] = xi M [Y j X = xi ] pX
i = 0 si pX
i = 0 (8) i 2 I1 , deci
i2I1
M [X] = 0.
n cazul cnd (X; y) este v.a.continua, e p (x; y) densitatea de repartitie a
vectorului (X; Y ) si pX , pY repartitiile marginale ale variabilelor X, Y .
Z1
Daca c 6= 0, atunci din 6.1 (b), avem c = y p(x;y)
pX (x) dy, deci cpX (x) =
1 0 1
Z1 Z1 Z1 Z1
yp (x; y) dy.Intregrnd n raport cu x obtinem c pX (x) = y@ p (x; y) dxA dy,
1 1 1 1
Z1
deci c = ypY (y) dy = M [Y ] (2).Din (2) si 4.7, putem scrie:
1
Z1 Z1
cov (X; Y ) = M [XY ] M [X] M [Y ] = xyp (y j x) pX (x) dxdy
1 1
19
cM [X] =0 1
Z1 Z1 Z1
x@ yp (y j x) dy A pX (x) dx cM [X] = xM [Y j X = x] pX (x) dx
1 1 1
cM [X] =
Z1
c xpX (x) dx cM [X] = 0.
1
Daca c = 0, este vericata egalitatea cov (X; Y ) = 0, daca tinem seama
Z1
ca avem M [XY ] = xM [Y j X = x] pX (x) dx = 0 si pX (x) = 0 (8) x, deci
1
M [X] = 0.
(b)Consideram acum ca X, Y sunt variabile aleatoare independente.
n acest caz pij = pj pj , daca (pi )i2I1 (pj )j2I2 sunt distributiile de probabil-
itate ale variabilelor X, Y , n cazul n care X acestea sunt discrete. X
Rezulta ca avem M [Y j X = xi ] = yj q j (Y j X = xi ) = yj pij =
j2I2 j2I2
X pij
X
yj pi = yj pj = M [Y ].
j2I2 j2I2
Daca X, Y sunt v.a. continue, cu densitatile de repartitie pX (x), pY (y)
avem p (x; y) = pX (x) pY (y) si
Z1 Z1 Z1
p(x;y)
M [Y j X = x] = yp (y j x) dy = y pX (x) dy = ypY (y) dy = M [Y ].
1 1 1
[6.11].Propozi tie.Daca linia de regresie a lui Y n raport cu X este o
dreapta de ecuatie y = ax + b, atunci:
a = cov(X;Y )
D 2 [X] , b = M [Y ] aM [X].
Demonstratie:
Presupunem ca (X; Y ) este un vector aleator continuu.
Avem M [Y j X = x] = ax+b (1).Din demonstratia Lemei 6.3, M [M [Y j X]] =
Z1 Z1
M [Y j X = x] pX (x) dx = a xpX (x) dx + b = aM [X] + b (2).Din Lema
1 1
obtinem mai departe ca M [Y ] = aM [X] + b (3).
Apoi, din (1) si Denitia 6.5 (b) avem M [Y j X] = aX + b.Mai departe,
M [M [XY j X]] = M [XM [Y j X]] = aM X 2 + bM [X].Folosind 6.3 n ul-
timele egalitati, rezulta M [XY ] = aM X 2 + bM [X] (4).
Din (3) si (4) se obtin a si b ca mai sus.
Pentru cazul n care (X; Y ) este un vector aleator discret, este sucient sa
observam ca egalitatileX din (2) se obtin astfel: X X
M [M [Y j X]] = M Y j X = x1i1 p1i1 = a x1i1 p1i1 + b .p1i1 =
i2 2I2 i1 2I1 i1 2I1
aM [X] + b .
20
[6.12].Propozi tie.Dreapta celor mai mici patrate a lui Y n raport cu X
este dreapta de regresie a lui Y n raport cu X.
Demonstratie:
Coecientii dreptei din 6.12 sunt aceiasi cu cei ai dreptei celor mai mici
patrate, din 5.7.

[7.1].Se dau variabilele aleatoare simple independente
1 0 1 0 1 2
X= ,Y = .
0; 1 0; 4 0; 5 0; 5 0; 3 0; 2
Determinam:
(a)M [X + 2Y ] ; M [XY ]
(b)D2 [X + Y ]
Rezolvare:
(a)Din proprietatea de liniaritate a mediei
M [X + 2Y ] = M [X] + 2M [Y ].
Avem
M [X] = ( 1) 0; 1 + 0 0; 4 + 1 0; 5 = 0; 4
M [Y ] = 0 0; 5 + 1 0; 3 + 2 0; 2 = 0; 7
si M [X + 2Y ] = 0; 4 + 0; 7 2 = 1; 8
(b)Cum X, Y sunt v.a. independente,
D2 [X + Y ] = D2 [X] + D2 [Y ]
Avem
2 2
D2 [X] = M X 2 (M [X]) = M2 [X] (M [X]) .
2
M2 [X] = ( 1) 0; 1 + 0 0; 4 + 12 0; 5 = 0; 6
D [X] = 0; 6 0; 42 = 0; 44
2
2 2
D2 [Y ] = M Y 2 (M [Y ]) = M2 [Y ] (M [Y ])
M2 [Y ] = 0 0; 5 + 12 0; 3 + 22 0; 2 = 1; 1
D2 [Y ] = 1; 1 0; 72 = 0; 61
k
[7.2].Fie variabila aleatoare X : .
c (n) k n 1 k=1;n
(a)Determinam c (n).
(b)Calculam M [X] si D2 [X].
Rezolvare:
(a)Pentru ca sistemul c (n) k n 1 k=1;n sa e o densitate de probabilitate
n
X
k 1
trebuie ca c (n) 0 si c (n) n = 1.
k=1
c(n) n 1 2
Rezulta n 2 = 1, deci c (n) = n 1 pentru n = 2; 3; :::
n
X X n
2 2
(b)M [X] = kP (X = k) = n(n 1) k (k 1) = 3 (n + 1).
k=1 k=1
n
X n
X
2 (n+1)(3n+2)
M2 [X] = k 2 P (X = k) = n(n 1) k 2 (k 1) = 6 , deci D2 [X] =
k=1 k=1
(n+1)(3n+2) 4 2 (n+1)(n 2)
6 9 (n + 1) = 18 .
21
[7.3].Fie variabila aleatoare f cu densitatea de probabilitate
j1 xj ; x 2 [0; 2]
p (x) =
0; x 2
= [0; 2]
Determinam:
(a)M [f ]
(b)D2 [f ]
Rezolvare:
R1 R2 R1 R2
M [f ] = xp (x) dx = x j1 xj dx = x (1 x) dx + x (x 1) dx =
1 0 0 1
2
x3
( x2 1
3 ) j0 +
3
x x2
3 2 j21 = 1.
h i
2 2
D [f ] = M (f M [f ]) si folosind reprezentarea pentru cazul continuu,
R1 2 R2 2 R1 3
D2 [f ] = (x 1) p (x) dx = (x 1) j1 xj dx = (x 1) dx +
1 0 0
R2 3
(x 1) dx =
1
R1 R2 '4 (x) 4
'3 (x) '0 (x) dx + '3 (x) '0 (x) dx = 4 j10 + ' 4(x) j21 , unde ' (x) =
0 1
(x 1).
Obtinem
4
'4 (2)
D2 [f ] = ' 4(0) + 4 = 1
4 + 1
4 = 12 .
[7.4].Consideram variabila aleatoare (X; Y ),care are densiatatea de proba-
(y x) e (y x) , daca 0 x 1; y > x
bilitate p (x; y) = .
0, n rest
Determinam liniile de regresie ale lui X n raport cu Y , respectiv ale lui Y
n raport cu X.
Rezolvare:
Fie D = f(x; y) j 0 x 1; y > xg.Avem D = [0; 1] (x; 1) si D = D1 [D2 ,
D1 = [0; y] [0; 1] si D2 = [0; 1] (y; 1).
Densitatile de repartitie marginale sunt:
Z1 Z Z1
pX (x) = p (x; y) dy = p (x; y) dy = (y x) e (y x) dy = (y x) e (y x) 1
jx
1 D x
(y x) 1
e jx =
8 1, daca x 2 [0; 1] si pX (x) = 0, n rest.
>
> 0, daca y < 0
>
> Zy
>
> 8
>
> (y x) e (y x)
dx, daca 0 y 1
< < 0, daca y < 0
pY (y) = 0 , pY (y) = 1 (y + 1) e y , daca 0 y 1 .
>
> Z1 :
>
> (ey y 1) e y , daca y > 1
>
> (y x)
>
> (y x) e dx, daca y 1
:
0
Aplicam 6.1(b) si obtinem:
22
Z1 Z1
M [Y j X = x] = y p(x;y)
pX (x) dy = y (y x) e (y x)
dy = y (y x) e (y x) 1
jx
1 x
(2y x) e (y x) j1 x 2e (y x) j1 x = x + 2, dac a 0 x 1.
Rezulta ca linia de regresie a lui Y n raport cu X este y = y (x), y (x) =
x + 2, daca 0 x 1
.
0, n rest 8
>
> 0, daca y < 0
>
> Zy
>
>
Z1 >
> 1
x (y x) e (y x) dx, daca 0 y 1
< 1 (y+1)e y
p(x;y)
M [Y j X = x] = y pX (x) dy, M [Y j X = x] = 0 ,
>
> Z1
1 >
>
>
> 1
>
> ey y 1 x (y x) e (y x) dx, daca y > 1
:
8 0
>
< 0, daca y < 0
(y+2)+(y 4)e y
M [Y j X = x] = 1 (y+1)e y , dac a0 y 1 .
>
: (5e 2ey+y 2)e y
ey y 1 , daca y > 1
[7.5].Consideram vectorul aleator (f1 ; f2 ), care are densitatea de repartitie
2 (x1 + x2 ) , daca 0 x1 x2 1
p (x1 ; x2 ) = .
0, n rest
Determinam:
(a)Coecientul de corelatie dintre f1 si f2 :
(b)Dreapta celor mai mici patrate a lui f1 n raport cu f2 .
Rezolvare:
p (x1 ; x2 ) = 0 (8) (x1 ; x2 ) 2
= D, unde D = [x2 ; 1] [0; 1] este domeniu simplu
n raport cu axa Ox1 .Avem: 2 1 3
Z1 Z1 Z1 Z Z1
M [f1 f2 ] = 2 x1 x2 (x1 + x2 ) dx1 dx2 = 2 4x2 x21 dx1 + x22 x1 dx1 5 =
0 x2 0 x2 x2
Z1 Z1
1 x32 1 x22
2 x2 3 3 dx2 + 2 x22 2 2 dx2 = 13 ,
0 0
si cum D = [0; 1] [0; x1 ] densitatile de repartitie marginale ale lui f1 f2
sunt date de: 8
> Zx1
>
< 2 (x1 + x2 ) dx2 , daca x1 2 [0; 1] 3x21 , daca x1 2 [0; 1]
pf1 (x1 ) = , pf1 (x1 ) = .
>
> 0, daca x1 2 = [0; 1]
: 0
0, daca x1 2 = [0; 1]
8 1
> Z
>
<
2 (x1 + x2 ) dx1 , daca x2 2 [0; 1] 3x22 + 2x2 + 1, daca x2 2 [0; 1]
pf2 (x2 ) = , pf1 (x1 ) = ,
>
> 0, daca x2 2= [0; 1]
: x2
0, daca x2 2= [0; 1]
23
Z1 Z1
3 5
iar M [f1 ] = 3x31 dx1 = 4, M [f2 ] = 3x32 + 2x22 + x2 dx2 = 12 ,
0 0
Z1 Z1
M f12 = 3x41 dx1 = 35 , M f22 = 3x42 + 2x32 + x22 dx2 = 7
30 si D2 [f1 ] =
0 0
3 43
M f12 M 2 [f1 ] = 80 , D2 [f2 ] = M f22 M 2 [f2 ] = 720 .
1
n nal, se obtine cov (f1 ; f2 ) = M [f1 f2 ] M [f1 ] M [f2 ] = 48 si r (f1 ; f2 ) =
p
cov(f1 ;f2 ) 5p 3
D[f1 ]D[[f2 ]] = 3 43
.
cov(f1 ;f2 ) 15 15 5
(b)Avem a = D 2 [f2 ] = 43 si dreapta y = 43 x 12 + 34 .
8.Teme de control
1 2 3 4
[8.1].Fie variabila aleatoare X : 3 1 pe cmpul ( ; K; P ).
a2 a 16 16
(a)Sa se determine a.
(b)Sa se calculeze M [X], D2 [X]
[8.2].Fie Y timpul necesar unui computer pentru a procesa un set de infor-
matii.Repartitia acestei variabilei aleatoare este precizata prin tabelul de dis-
tributie:
1 2 3 4
Y : .
0; 01 0; 2 0; 3 0; 49
(a)Sa se determine timpul mediu de procesare a setului de informatii.
(b)Daca timpul de elaborare p a unui raspuns solicitat pe baza datelor proce-
sate este reprezentat de variabila Y , sa se determine valoarea medie si dispersia
p
acestui timp, precum si o aproximare a probabilitatii P Y > 0; 2 , pe baza
inegalitatii lui Cebsev.
[8.3].O componenta a unui proces mecanic poate modelata de o variabila
aleatoare continua f , care are ca densitate una dintre urmatoarele functii:
1 n x
(a)p (x) = n! x e ;x 0
0; x < 0
k ln xa ; 0 < x a
(b)p (x) = , a > 0.
0, n rest
Sa se determine M [f ], D2 [f ], M3 [f ], M3c [f ].
[8.4].Fie variabila aleatoare bidimensionala (X; Y ) cu X, Y variabile inde-
pendente, avnd densitatea de repartitie:
p (x; y) = 2 (1+x21)(1+y2 ) , (x; y) 2 R2 .
Sa se determine:
(a) functia de repartitie a variabilei (X; Y )
(b)M [(X; Y )]
(c)P ((X; Y ) 2 D), unde D = [0; 1] [0; 1]. h i
[8.5].Sa se gaseasca o reprezentare a valorilor M [f1 + f2 ], M [f1 f2 ] ; M ff12 1(f2 6=0)
folosind densitatile de repartitie conditionate ale variabilelor aleatoare continue,
componente ale vectorului aleatoar (f1 ; f2 ).
24
[8.6].Fie (X; Y ) o variabila bidimensionala continua, avnd densitatea de
probabilitate:
1
p (x; y) = 8 (6 x y) ; (x; y) 2 (0; 2) (2; 4)
0, n rest
Sa se determine:
(a)M [X] ; M [Y ] ; D2 [X] ; D2 [Y ]
(b)cov (X; Y ) si coecientul de corelatie dintre X si Y
(c)M (X j Y = y), M (Y j X = x) si dreptele de regresie a lui X n raport
cu Y , respectiv a lui Y n raport cu X.
[8.7].Fie X si Y doua variabile aleatoare discrete cu repartitie precizate prin
tabelele de distributie:
1 1 1 2
X: 1 1 ,Y : 2 1 .
2 2 3 3
S
tiind ca P (X = 1; Y = 1) = , 2 R, sa se calculeze:
(a)Repartitia variabilei aleatoare (X; Y )
(b)Coecientul de corelatie n functie de .
(c)Valorile parametrului pentru care X si Y sunt necorelate.n acest caz,
sa se cerceteze independenta variabilelor X si Y .
25
MODULUL IV
1.Reparti
tii fundamentale discrete unidimensionale
2.Reparti
tii fundamentale continue unidimensionale
3.Reparti
tia normala bidimensionala
4.Exemple lucrate
5.Teme de control
1.Reparti tii fundamentale discrete unidimensionale

n Modulul II s-au denit variabilele aleatoare reale de tip discret si s-au
specicat legile lor functionale si legile de probabilitate.Repartitia unei variabile
aleatoare discrete se va numi repartitie discreta.O astfel de repartitie este de-
scrisa n Propozitia 3.6 Modulul II, iar reprezentarile ei sunt specicate n 3.6.1,
3.6.2, 3.6.3. Modulul II.
Prezentam cteva repartitii discrete pe R, importante datorita frecventei cu
care ele se atribuie variabilelor aleatoare care apar n modelele matematice ale
fenomenelor aleatoare naturale, supuse studiului probabilistic.
[1.1].Reparti tia uniforma pe f1; 2; :::; ng.
[1.1.1].Deni tie
Numim repartitia uniforma pe f1; 2; :::; ng repartitia cu legea
P
n
1
un (A) = n "k (A) (8) A 2 BR .
k=1
Daca X este o variabila aleatoare cu repartitie uniforma pe f1; 2; ::::ng
(scriem X s un ), atunci ea este determinata prin tabelul de distributie
k
X: 1 .
n k=1;2;:::;n
[1.1.2].Propozi tie.Avem:
Daca X s un , atunci
(a) M [un ] = n+1
2
2 (n2 1)
(b)D [un ] = 12 .
(n2 1)
(sau, M [X] = n+1
2 si D2 [X] = 12 daca X s un ; M [X]).
Demonstratie
Pn
(a)M [un ] = k n1 = n1 n(n+1)
2 = n+1
2
k=1
Pn
1 n(n+1)(2n+1) (n+1)(2n+1) (n+1)(2n+1)
(b)M2 [un ] = k 2 n1 = n 6 = 6 , deci D2 [u2 ] = 6
k=1
n+1 2 2
2 = n 12 1 .
[1.2].Reparti tia Bernoulli de parametru p
[1.2.1].Deni tie.Numim repartitia Bernoulli de parametru p, p 2 (0; 1)
repartitia Bp cu legea
Bp (A) = p"1 (A) + (1 p) "0 (A) : Bp , A 2 BR .
Daca X este o variabila aleatoare cu repartitie Bp (scriem X s Bp ), atunci
ea este determinata prin tabelul de distributie
1
0 1
X: , p 2 (0; 1).
(1 p) p
(vezi 3.7 II).
Repartitia Bernoulli este repartitia rezultatului aleator al unui experiment
Bernoulli, asociat unui eveniment de probabilitate p 2 (0; 1) (vezi 3.10.1 I).
(a)M [Bp ] = p
(b)D2 [Bp ] = pq, q = (1 p) :
(sau M [X] = p si D2 [X] = pq, daca X s Bp ).
Demonstratie:
Avem M [Bp ] = 0 (1 p) + 1 p = p si M2 [Bp ] = p.
[1.2.3].Corolar.Daca ( ; K; P ) este un cmp de probabilitate, pentru orice
A 2 K pentru care P (A) > 0 avem
P (A) = M [1A ] si P (A) P (CA) = D2 [1A ],
1; ! 2 A
unde1A = este variabila Bernoulli de parametru .
0; ! 2=A
[1.3].Reparti tia binomiala de parametri n si p.
[1.3.1].Deni tie.Numim repartitia binomiala de parametri n 2 N , p 2
(0; 1) repartitia bn;p cu legea
P
n
bn;p (A) = Cnk pk q n k "k (A), p 2 (0; 1), q = 1 p, (8) A 2 BR .
k=0
Daca X este o variabila aleatoare cu repartitie bn;p (scriem X s bn;p ), atunci
k
X: .
Cnk pk q n k k=0;1;:::;n
[1.3.2].Remarca:
X n
n
Avem Cnk pk q n k = (p + q) = 1, deci sistemul Cnk pk q n k k=0;1;:::;n este
k=0
o distributie de probabilitate.
Repartitia binomiala de parametri n si p reprezinta repartitia numarului de
aparitii ale unui eveniment cu probabilitatea p de aparitie ntr-un experiment
aleator, n n probe independente ale experimentului.
Conform Observatiei 3.10.1 I, bn;p este de asemenea, repartitia numarului de
elemente dintr-o multime R, realizat printr-o selectie ordonata de marime n
cu ntoarcere dintr-o multime U partitionata U = R [ CR, probabilitatea ca la
o extragere din U sa se obtina un element din R ind p 2 (0; 1).
(a)M [bn;p ] = np
(b)D2 [bn;p ] = npq
(sau M [X] = np si D2 [X] = npq, daca X s bn;p ).
Demonstratie:
Pn nP1
M [bn;p ] = kCnk pk q n k = np Cnk 1 pk q (n 1) k = np
k=0 k=0
Pn
2
nP2 nP1
M2 [bn;p ] = k Cnk pk q n k = n (n 1) p2 Cnk 2p
k (n 2) k
q +np Cnk 1p
k (n 1) k
q =
k=0 k=0 k=0
2
2
n (n 1) p2 + np, deci D2 [bn;p ] = n (n 1) p2 + np (np) = np (1 p).
[1.4].Reparti
tia Poisson de parametru
tie.Numim repartitia Poisson de parametru > 0, repartitia
[1.4.1].Deni
cu legea
P1 k
(A) = k! e "k (A), A 2 BR .
k=0
Daca X este o variabila aleatoare cu repartitie (scriem X s ), atunci
k
X: k .
k! e k=0;1;2;:::
[1.4.2].Remarca:
X1 X 1
k k k
Avem k! e =e k! = e e = 1, deci sistemul k! e
k=0;1;2;:::
k=0 k=0
este o distributie de probabilitate.
Daca Y este o variabila aleatoare cu repartitie binomiala de parametri n si
p, probabilitatea P (k < Y < s) este, de obicei, greu de evaluat.Aceasta proba-
bilitate se poate nsa aproxima studiind comportamentul valorilor asimptotice
pentru n ! 1, cnd k si s iau valori apropiate de np.
Daca presupunem ca np ! cnd n ! 1 si p ! 0, > 0, atunci pentru
k 2 N xat avem: h i h i
p(n k) np
Ck k 1
(np)k n(n 1) (n k+1) 1
bn;p (fkg) = nkn (np) (1 p) p = k! nk
(1 p) p
h 1
i pk k
(1 p) p , deci bn;p (fkg) ! k! e , cnd np ! si p ! 0 (1).
Tinnd
seama de (1), putem spune ca repartitia numarului de aparitii ale
unui eveniment rar (cu probabilitatea de aparitie ntr-un experiment aleator
p 2 (0; 1) mica ), ntr-un numar mare de probe ale experimentului, este
aproximativ repartitia , ' np, n conditia ca np sa nu e nici "prea mare",
nici "prea mic".
Daca X s , atunci X reprezinta numarul de aparitii ale unui eveniment
rar (de probabilitate p mica de aparitie ntr-un experiment aleator), ntr-un
numar mare de probe (cu conditia ca np sa nu e nici prea mare, nici prea
mic).
n aplicatii se dovedeste a adecvata si urmatoarea interpretare:
Variabila aleatoare Poisson de parametru reprezinta numarul de realizari
(aparitii, sosiri) ale unui eveniment, ntr-un interval de timp xat, atunci cnd
se evalueaza cu numarul mediu de realizari.Se presupune ca sunt realizate
conditiile:
1)numerele de realizari n subintervale disjuncte sunt variabile aleatoare in-
dependente.
2)sosirile n subintervale de timp de lungimi egale se repartizeaza identic
(adica, subintervalelor de timp de lungimi egale le corespund probabilitati egale
de a contine acelasi numar de sosiri).
(astfel, repartitia este repartitia numarului de chemari telefonice n uni-
tatea de timp, a numarului de defecte pe unitatea de lungime, arie, volum,
3
..).
[1.4.3].Propozi
tie.Avem
(a) M [ ] =
(b) D2 [ ] = .
(sau M [X] = si D2 [X] = , daca X s ).
Demonstratie:
P
1 k P1 k 1 P
1 k
(a)M [ ] = k k! e = e (k 1)! = e k! = e e = .
k=0 k=1 k=0
P
1 k 2 P
1 k 2 P
1 k 1 2
(b)M2 [ ]= k 2 k! e = e (k 2)! + e (k 1)! = e e
k=0 k=2 k=1
2 2 2
+ e e = + , deci, D2 [ ] = + = .
[1.5].Reparti tia hipergeometrica de parametri m, n, k
[1.5.1].Deni tie.Numim repartitia hipergeometrica de parametri m, n, k
repartitia hm;n;k cu legea
P
m Cr Ck r
m n m
hm;n;k (A) = Ck
"r (A), A 2 BR .
n
r=0
Daca X este o variabila aleatoare cu repartitie hm;n;k (scriem X s hm;n;k ),
atunci ea este determinat
! a prin tabelul de distributie:
r
X: r
Cm k r
Cn m
.
k
Cn r=0;1;:::;m
[1.5.2].Remarca:
Xm m
X
Avem C1k r
Cm Cnk r
m = 1 (suma r
Cm Cnk r
m reprezentnd coecientul lui
n
r=0 r=0
r k r
m n m Cm Cn
xk din dezvoltarea (1 + x) (1 + x) ).Rezulta ca sistemul k
Cn
m
r=0;1;:::;m
Daca X s hm;n;k , atunci,
(a)M [hm;n;k ] = kmn
(b)D2 [hm;n;k ] = km(n m)(n k)
n2 (n 1) .
(sau M [X] = km si D2 [hm;n;k ] = km(n
n
m)(n k)
n2 (n 1) , daca X s hm;n;k ).
Demonstratie:
P
m Cr Ck r P
m Cr 1 Ck r mP1 Cm
r (k
1 C(n
1) r
(a)M [hm;n;k ] = r mC nk m = mk n
m 1 n m
Ck 1
= mk
n Ck
1) (m
1
1)
= mk
n .
n n 1 m 1
r=0 r=1 r=0
Pm r
Cm k
Cn r
mk
Pm r
Cm 1 k
1 Cn
r
mk
(b)M2 [hm;n;k ] = r2 k
Cn
m
= n (r 1) k
Cn 1
m
+ n =
r=0 r=1 1
m
X1 r (k 1) r
mk Cm 1 C(n 1) (m 1) mk mk (m 1)(k 1) mk mk mk m k+n
n r Cnk 1 + n = n n 1 + n = n n 1 .
1
r=0
mk 2 km(n m)(n k)
D2 [hm;n;k ] = mk
n
mk m k+n
n 1 n = n2 (n 1) .
r k r
Cm Cn k r m
k
Cn
m
! Ckr pr (1 p) , cnd n ! 1 si n = p = constant.
4
Demonstratie: 2 32 3
Y
r 1 k
Y
r 1
6
Ckr 4nr pr (1 j
np )76 (k
54n
r)
(1 p) (1 j
n(1 p) )7
5
r k r
Cmp Cn(1 j=1 j=1 k r
p)
= ! Ckr pr (1 p) .
k
Cn Y
k 1
j
nr nk r
(1 n )
j=1
Rezultatul din 1.5.4 arata ca daca selectia se face dintr-un numar "mare" n
de elemente, hm;n;k (frg) poate aproximat cu bk;p (frg) p = m n , adic
a functia
de probabilitate a variabilei hipergeometrice hm;n;k = hm;n;k poate aproximata
cu functia de probabilitate a variabilei binomiale.
[1.6].Reparti tia geometrica de parametru p:
[1.6.1].Deni tie.Numim repartitia geometrica de parametru p 2 (0; 1) repar-
titia Gp cu legea
P1
Gp (A) = pq k 1 "k (A), q = 1 p, (8) A 2 BR
k=1
Daca X este o variabila aleatoare cu repartitie geometrica de parametru p
(scriem X s Gp ), atunci X este determinata prin tabelul de distributie
k
X: .
pq k 1 k=1;2;3;:::
[1.6.2].Remarca:
X1
Avem jqj < 1, deci seria geometrica q k 1 este convergenta si avem
k=1
P
1 n
pq k 1
= p lim qq 11 = p 1
1 q = 1.Rezulta ca sistemul pq k 1
k=1;2;3;:::
k=1 n!1
Repartitia geometrica este repartitia timpului de asteptare pna la aparitia
primului succes ntr-o succesiune de experimente Bernoulli, efectuate la mo-
mentele de timp t=1,2,3...
(numim succes realizarea evenimentului (1A = 1), unde 1A este variabila
aleatoare Bernoulli asociata unui eveniment A, cu P (A) = p).
(a)M [Gp ] = p1
(b)D2 [Gp ] = pq2
(sau, M [X] = p1 si D2 [X] = pq2 , daca X s Gp ).
Demonstratie:
X1
P
1
(a)M [Gp ] = p kq k 1 .Fie s1 (x) = xk , x 2 (0; 1).
k=1 k=0
0
s1 (x) este o derie de puteri cu raza de convergenta r = 1 si deoarece s1 (x) =
1
X 0
0
1 1
kxk 1
= 1 x x 2 (0; 1), obtinem M [Gp ] = p s1 (1 p) = p p2 = p1 .
k=1
P
1
Pentru momentul de ordin al doilea M2 [Gp ] = p k2 qk 1
;denim s2 (x) =
k=1
5
1
X 1
X
0 0
x
kxk , x 2 (0; 1).Avem s2 (x) = xs1 (x) = (1 x)2
si s2 (x) = k 2 xk 1
=
k=1 k=1
h i0 0
x 1+x p(2 p)
(1 x)2
= (1 x)3
x 2 (0; 1).Obtinem ca M2 [Gp ] = p s2 (1 p) = p3 si
2 1 p
obtinem D [Gp ] = p2 .
[1.6.4].Propozitie.Avem
P (Gp = k + s j Gp k) = P (Gp = s).
Demonstratie:
P (Gp =k+s;Gp >k) P (Gp =k+s) p(1 p)k+s 1
P (Gp = k + s j Gp k) = P (Gp >k) = P (Gp >k) = p(1 p)k +p(1 p)k+1 +
=
p(1 p)k+s 1 p(1 p)k+s 1 s 1
p(1 p)k [1+(1 p)+(1 p)2 +
= = p (1 p) .
p(1 p)k p
1
]
Rezultatul din Propozitia 1.6.3. arata ca probabilitatea ca timpul de asteptare
pna la aparitia primului succes, masurat de la momentul k, sa e s, n conditia
n care primul succes nu a aparut nainte de momentul k, este egala cu probabil-
itatea ca timpul de asteptare, masurat de la momentul 1 sa e s.Astfel, spunem
ca variabila aleatoare geometrica are proprietatea "lipsei de memorie".
2.Reparti tii fundamentale continue

[2.1].Reparti tia uniforma pe [a; b]
[2.1.1].Deni tie.Numim repartitia uniforma pe intervalul [a; b] repartitia
Ua;b cu densitatea de probabilitate
1
p (x) = b a , dac
a x 2 [a; b]
.
0, daca x 2= [a; b]
[2.1.2].Remarca:
Z1 Zb
1
(a)Avem p (x) 0 si p (x) dx = b a dx = 1, deci func
tia din 2.1.1 este
1 a
o densitate de probabilitate.
(b)Funct8ia de repartitie a repartitiei uniforme este denita de:
< 0, daca x a
x a
F (x) = , daca a < x b .
: b a
1, daca x > b
Se observa ca probabilitatea oricarui interval inclus n [a; b] este direct pro-
portionala cu lungimea intervalului.
(a)M [Ua;b ] = b+a2
(b a)2
(b)D2 [Ua;b ] = 12 .
b+a (b a)2
(sau M [f ] = 2 si D2 [Ua;b ] = 12 , daca f s Ua;b ).
Demonstratie:
1
Rb (b+a)
(a)M [f ] = b a xdx = 2
a
2 1
Rb (b2 +ba+a2 ) (b2 +ba+a2 ) (b+a)2
(b)M f = b a x2 dx = 3 , deci D2 [f ] = 3 4 =
a
b2 +a2 2ab
12 .
6
[2.2].Reparti tia normala de parametri m;
[2.2.1].Deni tie.Numim repartitia normala de parametri m 2 R si >0
repartitia N (m; ) (sau m; ) cu densitatea de probabilitate
(x m)2
p (x) = p12 e 2 2 , x 2 R.
Introducem doua functii denite prin integrale improprii cu parametru, fun-
damentale pentru denirea si calculul valorilor caracteristice ale repartitiei nor-
male si ale reparttiei gamma.
[2.2.2].Deni tie.
(a)Numim functia lui Euler de prima speta sau functia Beta functia B (p; q) =
Z1
q 1
tp 1 (1 t) dt p, q 2 R, p, q > 0.
0
(b)Numim functia lui Euler de speta a doua sau functia Gamma functia
R1
(x) = e t tx 1 dt, x 2 R, x > 0:
0
ntre functiile Beta si Gamma ale lui Euler exista relatia:
B (p; q) = (p) (q)
(p+q) .
[2.2.3].Teorema.
(a)Functia este denita si continua pentru x > 0:
(b)Functia B este denita si continua pentru p, q > 0.
Demonstratie:
R1
(a)Aratam ca integrala improprie e t tx 1 dt este uniform convergenta pen-
0
tru orice x > 0.
Z1
R1 R
Avem e t tx 1
dt = e t t x 1
dt + e t tx 1
dt, > 0.Pentru t 2 [0; ],
0 0
Z
x
t x 1 x 1
avem 0 < e t t , si tx 1
dt = x x > 0.
0
Z1
t x 1 n! 1
Pentru n > x avem 0 < e t < tn x+1 si integrala tn x+1 dt este
Z1
convergenta, deci e t tx 1
dt este convergenta.
Convergenta uniforma pe orice interval [a; b] rezulta tinnd seama de ine-

galitatile e t tx 1 tb 1 , daca t 1 si e t tx 1 ta 1 daca 0 t 1,
Z
obtinndu-se astfel majorari independente de x pentru integralele e t tx 1 dt
0
Z1
si e t tx 1
dt.
(b)Folosim (a) pentru p, q > 0.
7
tie.Functia
[2.2.4].Propozi din Denitia 2.2.2 are proprietatile:
(a) (x) > 0, x > 0

(b) (1) = 1
(c) (x + 1) = x (x), x > 0
(d) (n + 1) = n!, n = 0; 1; 2:::
(e)Pentru orice x 2 (0; 1) are loc egalitatea (x) (1 x) = sin( x) .
Demonstratie:
R1
(b) (1) = e t dt = e t j1 0 = 1.
0
Z Z
t x
(c) (x + 1) = lim e t dt.Folosind integrarea prin parti, e t tx dt =
!0
!1
Z Z
x
( e t ) tx j +x e t tx dt = e x
e +x e t tx dt si avem (x + 1) =
Z Z1
x x t x
lim e e + x lim e t dt = x e t tx dt = x (x).
!0 !0
!1 !1 0
(d)Aplicam (c) pentru x = n:
[2.2.5].Propozi tie.Pentru orice x 2 (0; 1) are loc egalitatea (x) (1 x) =
sin( x) .
p
n particular, pentru x = 12 rezulta 1
2 = .
[2.2.6].Corolar.Avem:
R1 x2 p
(a) e =
1
R1 x2 p
(b) e 2 = 2 :
1
Demonstratie:
R1 x2 R1 x2 x2
R1 x2
e =2 e .Cu schimbarea de variabila 2 = t se deduce e =
1 0 0
Z1
1
p1 e tt 2 dt = p1 1
.
2 2 2
0
Z1
1 1 2 x2
Din 2.2.4 (d) pentru x = 2 se obtine 2 = si n nal, e 2 dx =
1
p p
2 p1 = 2 .
2
[2.2.7].Remarca:
Z1 Z1
(x m)2
1 x m
p (x) dx = p2 e 2 2 dx:Cu schimbarea de variabila = t,
1 1
8
Z1 Z1
(x m)2 t2
tinnd seama de 2.2.6.(b) se obtine p1 e 2 2 dx = p1 e 2 dt = 1.
2 2
1 1
Functia p (x) din Denitia 2.2.2 este o densitate de probabilitate.
Gracul functiei p este cunoscut ca si clopotul lui Gauss.
(a)M [N (m; )] = m
(b)D2 [N (m; )] = 2
(sau M [f ] = m si D2 [f ] = 2 , daca f s N (m; )).
Demonstratie:
R1 (x m)2
(a)M [Nm; ] = p12 xe 2 2 dx.Cu schimbarea de variabila x m
=t,
1
folosind 2.2.6 (b) se obtine:
R1 t2 R1 t2 R1 t2
M [Nm; ] = p12 ( t + m) e 2 dt = p2 te 2 dt+ p12 m e 2 dt =
1 1 1
p
0 + p12 m 2 = m.
R1 2 (x m)2
(b)D2 [Nm; ] = p12 (x m) e 2 2 dx : 1
p 1
.Cu schimbarea de
1 2 2
x m
R1 t2
variabila = t se obtine D2 [Nm; ] = p2 2
t2 e 2 dt = I.Facnd n noua
2
0
t2
R1 1
integrala schimbarea de variabila= y, rezulta D2 [Nm; ] = p2 2 y 2 e y dy =
2
p 0
p2 2 3 p2 21 1 p2 21
= 2.
2 = 2 2 = 2
[2.2.9].Propozitie.Daca f s N (m; ), atunci
(a) a + f s N (a + m; )
(b) cf s N (cm; jcj ).
Demonstratie:
Fie p densitatea de probabilitate a repartitiei normale N (m; ).Conform
8.3.II, avem:
[y (a+m)]2
qa+f (y) = p (y a) = p12 e 2 , care este densitatea de probabili-
tate a repartitiei normale N (a + m; ).
2
( yc m) (y cm)2
1
qcf (y) = jcj p yc = jcj 1 p1
2
e 2 2 = 1p
(jcj ) 2
e 2(c )2 , care este
densitatea de probabilitate a repartitiei normale N (cm; jcj ).

[2.2.10].Deni tie.Numim repartitia normala N (0; 1) repartitia normala
standard (sau normala tip).
[2.2.11].Propozi tie.Daca f s N (m; ), atunci Z = f m s N (0; 1).
Demonstratie:
Consideram transformarea W : R ! R, W (x) = x m de clasa C 1 (R).Conform
y+ m
8.3.II, variabila aleatoare Z va avea densitatea de probabilitate q (y) = j j p 1 =
y2
p1 e 2, p ind densitatea de probabilitate a repartitiei normale N (m; ),
2
denita n 2.2.1.
9
Variabila aleatoare Z din propozitia 2.2.11 se numeste variabila redusa aso-
ciata variabilei normale f .
[2.2.12].Deni tie.
Zx
1 t2
(a)Numim functia de repartitie FZ (x) = p2 e 2 dt x 2 R a variabilei
1
def
reduse Z din Propozitia 2.2.11, functia lui Laplace.Notam FZ = .
Functia este tabelata.
(b)Numim cuantila de ordinul a repartitiei N (0; 1) valoarea u cu propri-
etatea (u ) = .
Din reprezentarea graca a densitatii de repartitie, tinnd seama de simetria
fata de axa x = 0, deducem ca u = u1 .
[2.2.13].Propozitie.
(a) ( x) = 1 (x) x 2 R:
b m a m
(b)Daca f s N (m; ), atunci P (a < f < b) = .
Demonstratie:
Zx
1 t2
(a) ( x) = p2 e 2 dt.Cu schimbarea de variabila t = u se obtine:
1
Z1 Z1 Zx
u2 u2 u2
( x) = p1 e 2 du = p1 e 2 du p1 e 2 du = 1 (x).
2 2 2
x 1 1
a m f m b m f m b m f m a m
(b)P (a < f < b) = P < < =P < P <
=
b m a m
.
Interpretarea repartitiei normale se face tinnd cont de urmatoarele doua
rezultate fundamentale:
[2.2.14].Teorema (Teorema limita locala).Fie bn;p (fkg) probabilitatea
ca un eveniment de probabilitate p 2 (0; 1) sa apara de k ori n n probe inde-
pendente (vezip 1.3).Atunci,
2 bn;p (fkg)
lim (k np)2
= 1:
n!1 1
2np(1 p)
(np(1 p)) 2 e
jk npj
Relatia are loc uniform n k, daca 2 tinde uniform la 0 cnd n ! 1, n
n3
jk npj
particular daca 1 este marginit uniform.
np(1 p) 2
[2.2.15].Teorema (Teorema limita integrala).Fie bn;p (fkg) probabili-
tatea ca un eveniment de probabilitate p 2 (0; 1) sa apara de k ori n n probe
b (fkg) np
independente (vezi 1.3) si zn (k) = n;p 1 .Atunci,
(np(1 p)) 2
Zv
x2
P (u zn v) ! p1 e 2 dx.
n!1 2
u
Xn;p np
Daca Xn;p s bn;p variabila zn = 1 implicata n Teorema limita
(np(1 p)) 2
1
Xn;p mn;p
integrala se scrie zn = n;p
, mn;p = M [Xn;p ] n;p = D2 [Xn;p ] 2
.
10
Rezultatele din 2.2.14 si 2.2.15 argumenteaza interpretarea conform careia
repartitia normala este repartitia erorilor de masurare, a abaterilor de la car-
acteristici constatate pe baza datelor statistice.
Un alt argument este relevat de scrierea variabilei zn n 1 cu variabile
0 1
Bernoulli independente Yn;p : p 2 (0; 1), n 1.Astfel, zn =
(1 p) p
(Y1;p +Y2;p + +Yn;p ) nM [Y1 ]
p
D[Y1 ] n
M [Y1 ] = p D2 [Y1 ] = p (1 p), si repartitia sumei
Y M [Y ]
zn constituita cu termenii k;p p 1 , cu n mare, este aproximativ N (0; 1).
D[Y1 ] n
Astfel, spunem ca repartitia normala este de asemenea, repartitia sumelor
aleatoare constituite cu termeni multi si mici.
[2.3].Repartitia exponen tiala de parametru
[2.3.1].Denitie.Numim repartitia exponentiala de parametru > 0 repar-
titia e cu densitatea de probabilitate
e x , daca x 0
p (x) = .
0, daca x < 0
[2.3.2].Remarca:
R1
Avem e x dx = e x j1 0 = 1, deci func
tia p din Denitia 2.3.1 este o
0
densitate de probabilitate.
Repartitia exponentiala apare ca repartitie limita a repartitiei geometrice.Astfel,
se considera o succesiune de experimente aleatoare Bernoulli, care se desfasoara
independent, la momentele de timp , 2 , 3 , ...si W variabila aleatoare care
reprezinta timpul de asteptare pna la aparitia primului succces.Numarul de
probe efectuate pna la momentul t este k = t .Tinnd cont ca 1 W este vari-
abila aleatoare care reprezinta timpul de asteptare pna la aparitia primului
succes ntr-un sir de experimente Bernoulli, desfasurate la momentele de timp
1, 2, 3, ..., avem:
k k
P (W > t) = P (W > k ) = P 1 W > k = 1 pqq 1p = (1 p) =
t
(1 p) .
n egalitatile de mai sus facem # 0 si presupunem ca p # 0 si p ! cnd
p ! 0 si ! 0.Obtinem :
t
P (W > t) ' (1 ) !e t .
Rezultatul din aproximarea anterioara se poate formula astfel:
Daca pentru un eveniment rar produsul dintre probabilitatea sa de aparitie
si numarul de probe desfasurate n unitatea de timp este > 0, atunci repartitia
momentului primei sale aparitii este aproximativ e .
Variabila exponentiala pastreaza proprietatea lipsei de memorie ntlnita
la variabila geometrica.
[2.3.3].Propozi tie.Fie W s e .Atunci,
P (W > x + y j W > x) = P (W > y) x, y > 0.
Demonstratie:
(x+y)
P (W > x + y j W > x) = P (W P>x+y;W (W >x)
>x)
= PP(W >x+y)
(W >x) = ee x =
e y.
rezultatul poate admite urmatoarea interpretare:
11
n conditia ca primul succes nu a aparut pna la momentul x, timpul
de asteptare masurat ncepnd cu acest moment are aceeasi repartitie ca cel
masurat de la momentul 0.Altfel spus, variabila aleatoare W masoara a
steptarea
fara memorie.
(a)M [e ] = 1
(b)D2 [e ] = 12
(sau M [f ] = 1 si D2 [f ] = 12 , daca f e ).
Demonstratie:
Folosind integrarea prin parti,
R1 0 R1 e x 1
M [e ] = x e x dx = x e x j1 0 + e x dx = j1
0 = .
0 0
R1 2 x 0 2 x
R1
M2 [e ] = x ( e ) dx = x ( e ) j1
0 +2 xe x
dx = x2 ( e x
) j1
0
0 0
+
2
M [e ] = 22 , deci D2 [e ] = 22 1
2:
[2.4].Reparti tia gamma de parametri si .

[2.4.1].Deni tie.Numim repartitia gamma de parametri > 0, > 0
repartitia ( ; ) cu densitatea de probabilitate
1
( ) x 1 e x , daca x 0
p (x) =
0, daca x < 0
[2.4.2].Remarca:
R1 R1 1 x
(a)Cu schimbarea de variabila x = t avem p (x) dx = ( ) ( x) e dx =
0 0
1
R1 1 1
( ) t e t dt = ( ) ( ) = 1, deci functia p din denitia 2.4.1reprezinta
0
o densitate de probabilitate.
(b)Pentru = 1, > 0 avem ( ; ) = e .
(a)M [ ( ; )] =
(b)D2 [ ( ; )] = 2
(sau M [f ] = si D2 [f ] = 2 , daca f ( ; )).
Demonstratie:
Cu schimbarea de variabila x = t rezulta:
R1
(a)M [ ( ; )] = (1 ) ( x) e x dx = (1 ) 1 ( + 1) = .
0
1 1
R1 +1 x 1 1
R1 +1
(b)M2 [ ( ; )] = ( ) ( x) e dx = ( ) 2 t e t dt =
0 0
( +1) 2
1
( )
1
( + 2) =
2 2 .Rezulta D2 [f ] = ( +1)
2 2 = 2.
2
[2.5].Reparti tiile , Student si Fisher
Sunt repartitii teoretice folosite de statistica inferentiala n estimarea punc-
tuala a unor parametrii necunoscuti ai legii variabilei caracteristice, n deter-
minarea unor intervale de ncredere pentru acesti parametrii, n testele statistice.
[2.5.1].Deni tie.Numim repartitia hi patrat cu n grade de libertate si
n 1
parametru a > 0 (Helmert-Pearson) repartitia 2a (n), unde 2a (n) = 2 ; 2a2 .
12
not
Pentru a = 1 notam 21 (n) = 2 (n).
Conform(2.4.1, densitatea de probabilitate a repartitiei 2a (n) este
n x
1
n
2 an ( n )
x 2 1 e 2a2 , daca x 0
p (x) = 2 2 .
0, daca x < 0
(a)M 2a (n) = na2
(b)D2 2a (n) = 2na4
(sau M [f ] = na2 si D2 [f ] = 2na4 daca f s 2a (n)).
Demonstratie:
Rezulta din 2.4.3 pentru = n2 , = 2a12 .
[2.5.3].Deni tie.Numim cuantila de ordinul a repartitiei 2 (n) valoarea
u cu proprietatea F (u ) = .
[2.5.4].Deni tie.Nimim repartitia Student cu n grade de libertate repartitia
t (n) cu densitatea de probabilitate
n+1
( n+1
2 )
2 2
p (x) = p1n 1 + xn x 2 R , n 2 N.
(2)n
[2.5.5].Remarca:
( n+1
2 )
Folosind proprietatile functiilor Gamma si Beta din 2.2.3 avem p1 =
( n2 )
1 2 R
1 R
1
B( n 1 .Cu schimbarea de variabil a 1+ xn = y1 obtinem p (x) dx = 2 p (x) dx =

;
2 2 ) 1 0
R0 n+1 p
n 3 1
p1 1
2 y 1 2
2 y
2 (1 y) 2 dy =
n B( n 2 ;2)
1
1
1
R1 n 1 1
B( 2 ; 2 )
n 1 y 2 (1 y) 2
dy = 1, deci functia p este o densitate de probabil-
0
itate. p
Repartitia t (n) poate interpretata ca repartitia raportului gphn a doua
variabile aleatoare independente g si h, g avnd o repartitie normala, iar h
urmnd o repartitie 2 (n).
[2.5.6].Propozi p
tie.Daca g s N (0; 1) si h s 2 (n), iar g si h sunt indepen-
gp n
dente, atunci t = h s t (n).
Demonstratie:
Pentru z > 0 avem:
p R R x2 n y
Ft (z) = P (t < z) = P gphn < z = p1 e 2
2
n
1
2 (n)
y 2 1 e 2 dxdy =
p
z y
2 2
x< p
0 1 n
R1 x2 R1 n 1 y
2 @ y 2 e 2 dy A dx (1).
1
n+1 p e
2 2 ( n2 ) 1 x2 n
z2
Integrala din (1) are derivata continua n raport cu z pe R si obtinem:
R1 x2 2
n
2 1 x2 n
2x2 n
n R1 n x2
(1+ zn2 ) dx.
Ft0 (z) = n+1 1 n p e 2 xz2n e 2z2 z 3 dx = n+1 nn2 p 2
x2 2
e 2
2 2 (2) 1 2 2 ( 2 ) z n+1 1
2
Schimbarea de variabila x2 1 + zn2 = u da:
13
n R1 h i n+1
n2 n 1 1 z2 n 2
n+1
Ft0 (z) = p n+1 u2 2 e u
du = p
n 1+ z2 2 =
( n2 ) z n+1 (1+ zn2 ) 2 2
0
( )
n
2 n
n+1
( n+12 )
2 2
p 1 + zn .
( n2 ) n
(a)M [t (n)] = 0
(b)D2 [t (n)] = nn 2 n > 2
(sau M [f ] = 0 si D2 [f ] = nn 2 n > 2, daca f s t (n)).
[2.5.8].Deni tie.Numim cuantila de ordinul a repartitiei t (n) valoarea
t care realizeaza egalitatea F (t ) = , unde F este functia de repartitie a
repartitiei t (n).
Repartitia t (n) este folosita n problemele de estimare punctuala a mediei
unei variabile aleatoare normale pe baza selectiilor de volum mic, n testul Stu-
dent (T) pentru diferenta a doua medii de selectie din doua populatii normale, n
determinarea intervalelor de incredere pentru diferenta a doua medii teoretice.
[2.5.9].Deni tie.Numim repartitia F cu (n1 ; n2 ) grade de libertate (Fisher-
Snedecor) reparti
8 t ia F (n1 ; n2 ) cu densitatea de probabilitate
n1 n1 +n2
< ( n1 +n
2
2
) n1 2 n1
1 n1 2
p (x) = x 2 1 + n2 x , daca x 0 n , n 2
( n21 ) ( n22 ) n2 1 2
:
0, daca x < 0
N.
[2.5.10].Remarca:
n1
n2 x
Cu schimbarea de variabila n
1+ n1 x
= y se obtine:
2
R1 ( n1 +n2
2 ) R1 n1 ( n1 +n
21
2
) n2
1
p (x) dx = n1 n2 y 2 n1 (1 y)
n2 B (n1 ; n2 ) =
2
dy =
1 ( ) ( ) 2
0 2 ( 2 ) ( 2 )
1, deci p (x) din Denitia 2.5.9. este o densitate de probabilitate.

Variabila aleatoare ng1 nh2 , unde g si h sunt independente si urmeaza repar-
titiile 2 (n1 ), 2 (n2 ) da semnicatia teoretica a acestei repartitii.
[2.5.11].Propozi tie.Daca g s 2 (n1 ) si h s 2 (n2 ), sunt independente,
g n2
atunci f = n1 h s F (n1 ; n2 ).
Demonstratie:
Pentru z > 0 R R n1 n2
x y
Ff (z) = P g < nn12 hz = n1 +n
2
1
x 2 1 e 2 y 2 1 e 2 dxdy =
n1 n2
n
x< 1 yz
2 2 (2) (2)
n2
n
zy n1
1
R1 n2
1 y R 2 n1
1 x
n1 +n
2
y 2 e dx.
2 dy x 2 e 2
n1 n2
2 2 ( ) ( )0
2 2 0
Integrala are derivata continua n raport cu parametrul z pe (0; 1) si avem:
n1
n1 2 R1 n1 +n2 1 y2 1+ nn1 z
pf (z) = Ff0 (z) = n1 +n2 1 z 2 1 nn12 y 2 e 2 dy.
2 2 ( n21 ) ( n22 ) 0
Schimbarea se variabila y2 1 + nn12 z = t da

n1 n1
n1 2 n1 R1 t n1 +n2 1 ( n1 +n2 ) n1 2
n1
1
pf (z) = n1 1 n2 n z 2 1 1
n1 +n2 e t 2 dt = n1 2 n2 n2
z 2
n1 +n2 ,
(2) (2) 2 n
1+ 1 z 2 0
(2) (2) n
1+ n1 z 2
n2 2
14
z > 0.
Repartitia F apare n testul F cu privire la egalitatea dispersiilor a doua
populatii normale.
(a)M [F (n1 ; n2 )] = n2n2 2 n2 > 2
2
2n1 (n1 +n2 2) n2
(b)D2 [F (n1 ; n2 )] = (n2 2)2 (n2 4) n1 n2 > 4.
2
2n1 (n1 +n2 2)
(sau )M [f ] = n2n2 2 n2 > 2 si D2 [F (n1 ; n2 )] = (n2 2)2 (n2 4)
n2
n1 n2 > 4,
daca f s F (n1 ; n2 )).
3.Reparti tia normala bidimensionala.

[3.1].Deni tie.Numim repartitia normala (gaussiana) bidimensionala repar-
titia N 2 (m2 ; m2 ) ; C( 1 ; 2 ) pe R2 cu densitatea de probabilitate
1 (x1 m1 )2 (x2 m2 )2 (x1 m1 )(x2 m2 )
2) 2 + 2 2
1p 2(1 1 2
p (x1 ; x2 ) = 2
e 1 2 (x1 ; x2 ) 2
2 1 2 1
R2 ; 1, 2 > 0; 2
<1
2
1 1 2
unde C( 1; 2)
= 2 .
1 2 2
[3.2].Remarca: h i2
RR 1p
R (x2 m2 )2 R 2(1
1
2)
x1 m1 x2 m2
Avem p (x1 ; x2 ) dx1 dx2 = 2

e 2 22 e 1 2
dx1 dx2 .Schimbarea
2 1 2 1
R R R R
x1 m1 x2 m2
de variabila 1 p 2
2
= t conduce la :
1
!
m2 )2 p
RR 1p
R (x2
2 2
R t2
p (x1 ; x2 ) dx1 dx2 = e 2 dx2 e 2 1 2 dt =
2 1
2 1 2 1
R R R R
m2 )2
1
R (x2
2 2
p
2
e 2 dx2 = 1,
2
R
deci p (x1 ; x2 ) din Denitia 3.1. este o densitate de probabilitate.
[3.3].Propozi tie.Daca (f1 ; f2 ) s N2 (m2 ; m2 ) ; C( 1 ; 2 ) , atunci:
(a)f1 s N (m1 ; 1 ) si f2 s N (m2 ; 2 ).
2
1 1 2
(b)Matricea de covarianta a variabilei (f1 ; f2 ) este C( 1; 2)
= 2 si
1 2 2
coecientul de corelatie dintre f1 si f2 este r (f1 ; f2 ) = .
Demonstratie:
(a)Cu tehnica din 7.5 II, obtinem urmatoarele repartitii marginale:
h i2
(x1 m1 )2
R 1p 2 2
R 2(1
1
2)
x2 m2 x1 m1
pf1 (x1 ) = p (x1 ; x2 ) dx2 = 2

e 1 e 2 1
dx2
2 1 2 1
R R
m1 )2 p m1 )2
1p
(x1
2 2
R t2 1
(x1
2 2
= e 1 e 2 1 2 dt = p e 1 .
2 2 2
2 1 2 1 1
R
m2 )2
R 1
(x2
2 2
Analog, pf2 (x2 ) = p (x1 ; x2 ) dx1 = p
2
e 2 .
2
R
(b)Din (a) avem M [f1 ] = m1 , M [f2 ] = m2 .Rezulta:
15
RR
Cov (f1 ; f2 ) = M [(f1 m1 ) (f2 m2 )] = (x1 m1 ) (x2 m2 ) p (x1 ; x2 ) dx1 dx2
R R
h i2
m2 )2
1p
R (x2
2 2
R 2(1
1
2)
x1 m1 x2 m2
= 2
(x2 m2 ) e 2 (x1 m1 ) e 1 2
dx1 dx2
2 1 2 1
R R
=
m2 )2 p
1p
R (x2
2 2 2 2
R t2 2 R t2
(x2 m2 ) e 2 1 te 2 dt + 1
1 2 (x2 m2 ) e 2 dt
2 1 2 1 2
1 2
" R # R R
m2 )2
1
R 2
(x2
2 2 2
= 1
2
p
2
(x2 m2 ) e 2 dx2 = 1
2 2 = 1 2 .
2
R
[3.4].Corolar.Daca = 0, atunci f1 si f2 sunt variabile independente.
[3.5].Remarca:
Densitatea de probabilitateDdin Denitia 3.1 seEscrie:
1 1
1 C( (x m);(x m)
p (x) = 1 e 2 1; 2) x = (x1 ; x2 ), m = (m1 ; m2 ).
(det C( 1 ; 2 ) )
2 2
Demonstratie: D E h
2 2 1 1 (x1 m1 )2 (x2 m2 )2 (x1
Avem det C( 1 ; 2 ) = ( 1 2) 1 si C( 1; 2)
(x m) ; (x m) = (1 2) 2 + 2 2
1 2
n general, daca A 2 M2 (R) simetrica si nenegativ denita este matricea

de covarianta a vectorului f = (f1 ; f2 ) de medie a = (a1 ; a2 ), care urmeaza
o repartitie normala bidimensionala, vom scrie f s N2 (m; A), iar densitatea
1
2 hA (x a);(x a)i
1
1
de probabilitate a vectorului f este p (x) = 1 e x=
2 (det A) 2
(x1 ; x2 ) 2 R2 . [3.5.1]
[3.6].Deni tie.Repartitia normala bidimensionala de parametri a = (0; 0)
si A = I2 se numeste repartitia normala (gaussiana) standard, iar densitatea ei
de probabilitate este, conform 3.5.1
1 2
p (x) = 21 e 2 kxk x 2 R2 ,
2
unde kxk = hx; xi este norma euclidiana din R2 .
[3.7].Propozi tie.Daca f1 s N (m1 ; 1 ) si f2 s N (m2 ; 2 ), atunci vectorul
2
1 1 2
(f1 ; f2 ) s N (m1 ; m2 ) ; 2 , unde = r (f1 ; f2 ).
1 2 2
Demonstratie:
2
1 1 2
Fie (g1 ; g2 ) variabila repartizata N (m1 ; m2 ) ; 2 .Avem
1 2 2
g1 s N (m1 ; 1) si g2 s N (m2 ; 2 ), deci (g1 ; g2 ) = (f1 ; f2 ) P:a:s:
2
1 1 2
tie.Daca (f1 ; f2 ) s N
[3.8].Propozi (m1 ; m2 ) ; 2 , atunci:
1 2 2
(a)densitatile de repartitie conditionata a unei variabile componente n ra-
port cu cealalta sunt:
h i2
pf1 jf2 (x1 ; x2 ) = p 1p 2 exp 2
1
2 (1 2) x1 m1 + 12 (x2 m2 )
1 2 1 1
h i2
pf2 jf1 (x1 ; x2 ) = p 1p 2 exp 2
2 (1
1
2 )
x2 m 2 + 2
(x1 m 1 ) .
2 2 1 1 2
(b)liniile de regresie ale unei variabile componente n raport cu cealalta sunt:

x = m1 + 21 (y m2 ), x = x (y)
y = m2 + 12 (x m1 ), y = y (x).
16
Demonstratie:
(a)Rezulta tinnd seama de 7.6 II. h i2
R 1p
R 2 2
1
2) x m1 + 1 (y m2 )
(b)x (y) = M [f1 j f2 = y] = xpf1 jf2 (x; y) dx = p xe 1 (1 2
dx.
2 1 2
1
R R
x m1 + 1 (y m2 )
Schimbarea de variabila p2 2
= t conduce la:
1 1
p R t2 R t2
M [f1 j f2 = y] = p1 1 1 2 te 2 dt+ p12 m1 + 1
(y m2 ) e 2 dt =
2 2
R R
m1 + 1
2
(y m2 ).
2
0
tie.Repartitia normala bidimensionala N2 (m1 ; m2 ) ;
[3.9].Deni 2
0
se numeste normala circulara.
(x1 m1 )2 +(x1 m2 )2
1
Conform Denitiei 7.1, densitatea ei de probabilitate este p (x1 ; x2 ) = 2 2 e 2 2 ,
> 0 (x1 ; x2 ) 2 R2 .

[4.1].Un semnal poate ajunge de la sursa S la un punct T unde este re-
ceptionat, pe traiectoriile t14 , t13 , t23 , t24 compuse respectiv cu drumurile D1 si
D4 , D1 si D3 , D2 si D3 , D2 si D4 .Un drum Di functioneaza fara ntreruperi cu
probabilitatea pi 2 (0; 1) independent de celelalte, i = 1; 2; 3; 4.
Denim "reabilitatea" R a retelei ca ind probabilitatea ca sa existe o traiec-
torie compusa doar din drumuri care functioneaza fara ntreruperi (adica, exista
o conexiune ntre S si T) si determinam R.
Rezolvare:
1, daca drumul Di functioneaza fara ntreruperi
Fie Xi = ,
0, daca drumul Di se ntrerupe
adica Xi = 1("Di f unctioneaza") , i = 1; 2; 3; 4.
Fiecare realizare a evenimentului ("Di f unctioneaza") presupune sau nu o
conexiune ntre S si T.Denim variabila aleatoare
1, daca exista o conexiune de la S la T care include drumul Di
(Xi ) = ,
0, daca nu exista o conexiune de la S la T care include drumul Di
i = 1; 2; 3; 4.
1, daca exista o conexiune de la S la T
si = :
0, daca nu exista o conexiune de la S la T
Variabila aleatoare este o variabila Bernoulli de parametru p = P ("exista o conexiune de la S la T ").
Avem R = M [ ].
Putem exprima variabila aleatoare astfel:0 1
Y Y Y
=1 1("tij nu f unctioneaza") = 1 @1 Xk A (1)
tij tij Dk 2tij
considernd ca tij functioneaza daca si numai daca Di si Dj functioneaza
(avem 1("exista o conexiune de la S la T ") = 1[ si 1("tij f unctioneaza") =1("Di f unctioneaza")\("Dj f
("tij f unctioneaza")
tij
si tinem seama de proprietatile functiei "indicator" expuse n I).
17
Din (1) avem = 1 (1 X1 X4 ) (1 X1 X3 ) (1 X2 X3 ) (1 X2 X4 ) si
tinnd seama de independenta variabilelor Xi , i = 1; 2; 3; 4 aplicnd Teoarema
de multiplicare obtinem:
M [ ] = 1 (1 p1 p4 ) (1 p1 p3 ) (1 p2 p3 ) (1 p2 p4 ).
[4.2].Probabilitatea ca extragnd la ntmplare un produs dintr-un lot, acesta
sa e gasit necorespunzator este p = 0; 02.Se supun controlului 400 de produse
de acelasi tip.Determinam:
(a) numarul mediu al produselor necorespunzatoare
(b) dispersia numarului N de produse necorespunzatoare
(c)P (200 N 300)
Rezolvare:
N este o v.a. cu repartitie binomiala de parameri n = 400, p = 0; 02.
(a)Avem M [X] = np = 400 0; 02 = 8 si
(b)D2 [N ] = np (1 p) = 400 0; 02 0; 98 = 7; 84.
Pn P
300
400 k
(c)P (200 N 300) = Cnk pk q n k "k ([200; 300]) = k
C400 0; 02k (0; 98) =
k=0 k=200
98 400
P
300
k 1
( 100 ) C400 72k
.
k=200
[4.3].Numarul mediu de apeluri la un post telefonic este de 900 pe an.Calculam
probabilitatea ca ntr- o luna sa e receptionate mai mult de 75 de apeluri.
Rezolvare:
Numarul N de comenzi receptionate ntr-o luna o variabila aleatoare Poisson
de parametru = M [N ] = 900 12 = 75.
P
1 k P
1
75k 75
P
76
75k
Urmeaza ca P (N > 75) = k! e "k (75; 1) = k! e =1 e 75 k! .
k=76 k=76 k=0
[4.4].16 aparate achizitionate de la o rma au fost returnate.S-a constatat ca
4 sunt n stare de completa disfunctiune si12 au defectiuni mici.Fie X numarul de
aparate n stare de completa disfunctiune dintr-un lot de 12 vericate.Calculam
P (1 X 2), P (X = 4).
Rezolvare:
X are o repartitie hipergeometrica de parametri n = 16, m = 4, k =
12.Avem:
C41 C12
11
C42 C12
10
12 = 5 7 13 + 5 7 13 w
12 3 3 11
P (1 X 2) = P (X = 1) + P (X = 2) = C 12 + C
16 16
0; 243.
[4.5].Se trimite un mesaj a carui calitate este alterata de perturbatii.Fiecare
transmitere poate considerata ca succes n decodicare, independent de cele-
lalte, cu probabilitatea p = 0; 8:Durata unei transmisii este 10 secunde.Daca T
este timpul de asteptare pna cnd se conrma decodicarea, calculam:
(a)P (T < 2 minute)
(b)P (T = 1 minut) = P T = P
(c)Durata medie de asteptare pna la conrmarea decodicarii.
Rezolvare:
Fie X variabila aleatoare care reprezinta numarul transmisiilor succesive
efectuate pna la decodicarea mesajului.Aceasta este o variabila aleatoare cu
repartitie geometrica de parametru p = 0; 8.Avem:
18
(a)P (T < 120 secunde) = P (X < 12) = 0; 8 0; 2+0; 8 0; 22 + +0; 8 0; 211
0;212
= 0; 8 0;2 0;8 w 0; 19.
(b)P (T = 1 minut) = P (X = 6) = 0; 8 0; 25 = 0; 000256.
1
(c)M [X] = 0;8 = 1; 25.
[4.6].Din 100de produse, 8 au greutatea mai mica de 28 g si 15 mai mare de
33g.Presupunnd ca greutatea G este o variabila aleatoare normala N (m; ),
determinam
(a) media m si abaterea medie patratica
(b)P (30; 5 < G < 34; 5).
Rezolvare:
8 15
(a) Cum P (G < 28) = 100 si P (G > 33) = 100 , trecnd la variabila redusa,
rezulta:
P (G < 28) = P G m < 28 m = 0; 08, adica 28 m
= 0; 08.La fel,
G m 33 m 33 m
P (G > 33) = P > = 0; 15, deci = 0; 85.Din tabelul
functiei a lui Laplace se obtin cuantilele u0;08 = u0;92 = 1; 41si u0;85 = 1; 04:
m si vor solutiile sistemului
28 m
= 1; 41
33 m .
= 1; 04
Gasim m = 30; 87 si = 2; 04, 2 = 4; 16.
34;5 30;87 30;5 30;87
(b)P (30; 5 < G < 34; 5) = 2;04 2;04 =
(1; 77) ( 0; 18) = 0; 9614 (1 0; 5714) = 0; 5328.
[4.7].n medie, un sistem de calculatoare are 16 caderi pe an.Determinam
probabilitatea ca sistemul sa functioneze fara accidente n primele 4 luni.
Rezolvare:
n medie se produc 1 = 43 caderi n perioada de timp = 1 luni.Timpul
de asteptare pna la prima cadere este reprezentat de variabila aleatoare W ,
W s e , cu = 34 (luni).
R1 3
Astfel, P (W > 4) = 34 e 4 t dt = e 3 .
4
[4.8].Aratam ca daca f s ( + 1; 1) 2 N si g s , atunci P (f > ) =
P (g ).
Rezolvare:
Folosind integrarea prin parti,
R1 R1
P (f > ) = ( 1+1) x e x dx = ( 1+1) x ( e x ) j1 + ( +1) x 1 e x dx
e 1 1 x 1
R1
= ( +1) + ( ) x ( e ) j1 + ( ) x 2
e x
dx = ::: =
1 1 1 1 2 1 1
( +1) e + ( ) e + ( 1) e + + (2) e + (1) e
1 P k
= 1! e + (
1
1)! e + + 1
1! e +e = k! e .
k=0
P k
Pe de alta parte, P (g )= k! e .
k=0
19
2
1 1 2
[4.9].Aratam ca daca (f1 ; f2 ) s N2 (m1 ; m2 ) ; 2 , atunci
1 2 2
p
variabilele u = f1 1m1 f2 m2
2
si v = 1 2 f2 m2 sunt variabile normale
2
independente.
Rezolvare:
Denim transformarea W : R2 ! R2 , W (x1 ; x2 ) = (y1 ; y2 ) y1 = x1 1m1
x2 m2
p
, y2 = 1 2 x2 m2 , bijectiv a, de clasa C 1 R2 , cu iacobianul JW (x1 ; x2 ) =
2 2
1 p
1 p 2 2 = 1 2 6= 0.Conform 8.1.II W (f ; f ) va avea densitatea de
1 1 2
1 2
0 2
probabilitate qW (y1 ; y2 ) = jJW 1 (y1 ; y2 )j p (W 1 (y1 ; y2 )), unde p este densi-
2
1 1 2
tatea de probabilitate a repartitiei N2 (m1 ; m2 ) ; 2 .Avem
1 2 2
1
W (y1 ; y2 ) = (x1 ; x2 ), x1 = m1 + 1 y1 + p 1
2
y2 , x2 = m + p 2
2
y2 si
1 1
2
1
2) y1 + p y2 +1 1
2 y22 2 y1 + p y2 1
2 y2
1 2(1 2 2 1
qW (y1 ; y2 ) = 2 (1 2) e 1 1
1
(y2 +y2 )
= 2 (11 2 ) e 2(1 2 ) 1 2 .
Densitatile marginale ale variabilei (g1 ; g2 ) = W (f1 ; f2 ) sunt qg1 (y1 ) =
2 2 2
R 1
y1
2)
R y2
2) 1
y1
2)
qW (y1 ; y2 ) dy2 = 2 (1 2 ) e 2(1
e 2(1
dy2 = p p 2
e 2(1
.La
2 1
R R
2
R y2
fel, qg2 (y2 ) = qW (y1 ; y2 ) dy1 = p .p1 2

e 2(1 2)
2 1
R
p
Rezulta ca g1 si g2 sunt repartizate N 0; 1 2 si cum qW (y1 ; y2 ) =
qg1 (y1 ) qg2 (y2 ), ele sunt independente.
[4.10].Consideram vectorul aleator (f1 ; f2 ) cu o repartitie normala circulara
n jurul originii (m1 = m2 = 0, = 0 si 1 = 2 = > 0).Determinam
repartitia variabilei D, care reprezinta distanta de la (f1 ; f2 ) la origine.
Rezolvare:
R R 1
x2 +y 2
FD (r) = P (D < r) = P f12 + f22 < r2 = 2 2 e 2 2 dxdy.Cu
x2 +y 2 <r 2
transformarea denita de x = cos , y = sin 2 [0; r] 2 [0; 2 ] obtinem
Rr 2R 1 2 R
r 2 2
r2
FD (r) = 2 2e
2 2 d d = 12 e 2 2d = e 2 2 jr0 = 1 e 2 2 ,
0 0 0
r > 0.
FD este derivabila, cu derivata continua pe ( (0; 1) rs2i se obtine:
r 2 2
pD (r) = FD 0
(r) r > 0, respectiv pD (r) = 2e , daca r > 0 .
0, daca r 0
5.Teme de control
[5.1].La un post de asistenta tehnica a unui sistem de aparate sunt reclamate
n medie 60 de defectiuni ntr-un an.Sa se determine probabilitatea ca sa treaca
cel putin 4 luni inainte ca prima defectiune sa apara.
20
[5.2].Un aparat electronic este garantat pentru 3 ani.S-a constatat ca din 100
de aparate vndute, 2 au prezentat defectiuni majore dupa o utilizare normala
de 28 luni.Probabilitatea de a aparea o defectiune majora n timpul utilizarii pe
o durata de 64 de luni este de 0,875.
Presupunnd ca intervalul de timp dintre momentul achizitiei si momentul
aparitiei unei disfunctiuni este o variabila aleatoare normala, sa se determine
momentul de timp (n luni) pentru ca probabilitatea de aparitie a unei defectiuni
sa e 0,5.
[5.3].Fie f e .Sa se determine repartitia variabilei g = exp ( f ).
[5.4].Sa se arate ca daca f s e si c > 0, atunci cf s e .
c
[5.5].Fie X si Y variabile aleatoare independente si identic repartizate, cu
P (X = k) = pk , pk > 0 k 0.
Sa se arate ca daca P (X = n j X + Y = n) = P (X = n 1 j X + Y = n) =
1
n+1 (8) n 0, atunci X si Y au repartitie geometrica.
[5.6].Determinati repartitia variabilei (X j X + Y = t) (t 2 N xat), stiind
ca X bn;p , Y bm;p si X si Y sunt independente.
[5.7].(a)Fie f o variabila aleatoare continua, cu functia de repartitie F .Sa
se arate ca daca Y = F (X), atunci Y U[0;1] .
(b)Sa se arate ca daca F este o functie de repartitie si X U[0;1] , atunci
exista o functie h astfel nct h (X) sa aiba functia de repartitie F .
21
MODULUL V
1.Convergen ta aproape sigura

2.Convergen ta n probabilitate
3.Convergen ta n medie de ordinul p
4.Convergen ta n reparti
tie
5.Legi ale numerelor mari
7.Teme de control
1.Convergen ta aproape sigura

n cele ce urmeaza consideram sirul f1 , f2 , ..., fn , ..de variabile aleatoare
reale denite pe cmpul de probabilitate ( ; K; P ).
[1.1].Deni tie.Fie f : ( ; K; P ) ! R o variabila aleatoare.Spunem ca fn
a:s:
convergen c
a tre f aproape sigur ( si scriem
o fn ! f ) daca
P ! 2 j lim fn (!) = f (!) = 1.
n!1
Spunem ca fn este convergent aproape sigur daca si numai daca exista o
a:s:
variabila aleatoare f astfel nct fn ! f .
a:s:
[1.2].Propozi tie.Fie f : ( ; K; P ) ! R o variabila aleatoare.Atunci, fn !
f daca si numai daca
P lim sup f! 2 j jfn (!) f (!)j > "g = 0 pentru orice " > 0.
n!1
(adica lim P !2 j sup jfk (!) f (!)j > " pentru orice " > 0).
n!1 k n
Demonstra
n tie: o
Fie E = ! 2 j lim fn (!) 6= f (!) .Demonstram ca P (E) = 0.
S T S n!1 S
E= f! 2 j jfk (!) f (!)j > "g = lim sup f! 2 j jfn (!) f (!)j > "g(1).De
">0 n 1 k n ">0 n!1
S T S 1
asemenea, putem scrie:E = ! 2 j jfk (!) f (!)j > m , deci
m 1n 1k n
S 1
E= lim sup ! 2 j jfn (!) f (!)j > m .
m 1 n!1
P 1
Avem P (E) P lim sup ! 2 j jfn (!) f (!)j > m (2)
m 1 n!1
nti, daca P lim sup f! 2 j jfn (!) f (!)j > "g = 0 pentru orice " >
n!1
0, din (2) rezulta P (E) = 0.
Apoi, daca P (E) = 0, atunci din (1) avem P lim sup f! 2 j jfn (!) f (!)j > "g =
n!1
0 pentru orice " > 0.
(adica, P !2 j jfm (!) fn (!)j ! 0 = 1).
m;n!1
[1.3].Corolar.
1
1
X
(a)Daca P (f! 2 j jfn (!) f (!)j > "g) < 1 pentru orice " > 0,
n=1
a:s:
atunci fn ! f .
a:s:
(b)Reciproc, daca f1 , f2 , ..., fn , ...sunt independente si fn ! x0 x0 2 R,
X1
atunci P (f! 2 j jfn (!) x0 j > "g) < 1 pentru orice " > 0.
n=1
Demonstratie: !
1
[
(a)Avem P !2 j sup jfk (!) f (!)j > " =P f! 2 j jfk (!) f (!)j > "g
k n
k=n
1
X
P (f! 2 j jfk (!) f (!)j > "g) ! 0.Mai departe se aplica Propoz-
n!1
k=n
itia 1.2.
1
X
(b)Presupunem ca exista "0 > 0 astfel nct P (f! 2 j jfn (!) x0 j > "g) =
n=1
1 .Din Lema Borel - Cantelli pentru cazul variabilelor aleatoare independente
(fn x0 ), n 1 rezulta ca P lim sup f! 2 j jfn (!) x0 j > "0 g = 1, ceea
n!1
a:s:
ce, conform Propozitiei 1.2, contrazice ca fn ! x0 .
Urmatorul rezultat este util pentru a stabili convergenta aproape sigura a
unui sie de variabile aleatoare.
[1.4].Propozi tie.
1
X
(a)Daca ("n )n 1 este un sir de numere pozitive astfel nct "n # 0 si P (f! 2 j jfn (!) f (!)j > "n g) <
n=1
a:s:
1, atunci fn ! f .
1
X
(b)Daca ("n )n 1 este un sir de numere pozitive astfel nct "n < 1 si
n=1
1
X
P (f! 2 j jfn+1 (!) fn (!)j > "n g) < 1, atunci (fn )n 1 converge aproape
n=1
sigur.
[1.5].Propozi tie.
a:s a:s
(a)Daca fn ! f si fn ! g, atunci f = g a:s:(Limita aproape sigura este
unica aproape sigur).
a:s a:s
(b)Daca fn ! f si f = g a:s, atunci fn ! g.
Demonstratie:
(a)Exista 1 , 2 , P ( 1 ) = 1, P ( 2 ) = 1 astfel nct fn (!) ! f (!)
n!1
(8) ! 2 1 si fn (!) ! g (!) (8) ! 2 2 .Din unicitatea limitei unui sir
n!1 \
de numere reale rezulta ca f (!) = g (!) (8) ! 2 1 2
si tinem seama ca
\
P 1 2 = 1.
n o
a:s
(b)Daca fn ! f si f = g a:s avem P !2 j lim fn (!) = g (!) =
n!1
2
n o
P !2 j lim fn (!) = g (!) ; f (!) = g (!)
n n!1 o
= P ! 2 j lim fn (!) = f (!) = 1.
n!1
[1.6].Propozi tie.
a:s a:s
Daca fn ! f si ' : R ! R este o functie continua, atunci ' (fn ) ! ' (f ).
a:s a:s a:s a:s
n particular, rezulta ca jfn j ! jf j, fnp ! f p p 2 N, efn ! ef , ln jfn j !
ln jf j cnd jfn j > 0 a:s pentru n N .
Demonstratie:
Fie 1 cu P ( 1) = 1 astfel nct fn (!) ! f (!) (8) ! 2 1 .Din
n!1
continuitatea functiei ' rezulta ca ' (fn (!)) ! ' (f (!)) (8) ! 2 1 .
n!1
2.Convergen ta n probabilitate
Consideram sirul f1 , f2 , ..., fn , ..de variabile aleatoare reale denite pe
cmpul de probabilitate ( ; K; P ).
[2.1].Deni tie.Fie f : ( ; K; P ) ! R.Spunem ca fn converge la f n
p
probabilitate (si scriem fn ! f ) daca
lim P (f! 2 j jfn (!) f (!)j > "g) = 0 (8) " > 0.
n!1
[2.2].Propozi tie.
p p
(a)Daca fn ! f si fn ! g, atunci f = g P a:s.
p p
(b)Reciproc, daca fn ! f si f = g P a:s, atunci fn ! g .
Demonstratie: !
1
[
1
(a)P (f! 2 j f (!) 6= g (!)g) = P ! 2 j jf (!) g (!)j > m
m=1
1
X
1 1
P !2 j jf (!) g (!)j > m .Pentru orice m 1, ! 2 j jf (!) g (!)j > m
m=1
1 1 1
! 2 j jfn (!) f (!)j > 2m [ ! 2 j jfn (!) g (!)j > 2m , deci P ! 2 j jf (!) g (!)j > m
1
P ! 2 j jfn (!) f (!)j > 2m
1
+ P ! 2 j jfn (!) g (!)j > 2m n 1.Trecnd la limita cnd n ! 1
1
obtinem P ! 2 j jf (!) g (!)j > m = 0.
p
(b)Daca fn ! f si f = g P a:s, putem scrie:
P (f! 2 j jfn (!) g (!)j > "g) = P (f! 2 j jfn (!) g (!)j > "; f (!) = g (!)g)
= P (f! 2 j jfn (!) f (!)j > "g) ! 0.
n!1
a:s p
[2.3].Propozi tie.Daca fn ! f , atunci fn ! f .
Demonstratie:
Fie " > 0 si A"n = f! 2 j jfn (!) f (!)j > "g.Avem
\1 [1 n o
lim sup A"n = A"k ! 2 j lim fn (!) 6= f (!) , de unde rezulta
n!1 n!1
n=1 k=n
ca P lim sup A"n = 0.Apoi, tinnd seama ca lim sup P (A"n ) P lim sup A"n
n!1 n!1 n!1
rezulta lim P (A"n ) = 0.
n!1
3
Enuntam urmatorul rezultat, util n stabilirea convergentei n probabilitate
a unui sir de variabile aleatoare.
[2.4].Teorema.Urmatoarele armatii sunt echivalente:
p
(a)fn ! f .
(b)Din orice subsir (fnr )r 1 se poate extrage un alt subsir fnr(p) r(p) 1
a:s
astfel nct fnr(p) ! f cnd p ! 1.
3.Convergen ta n medie de ordinul p
Consideram sirul f1 , f2 , ..., fn , ..de variabile aleatoare reale denite pe
cmpul de probabilitate ( ; K; P ).
[3.1].Deni tie.Fie f : ( ; K; P ) ! R o variabila aleatoare.Spunem ca fn
Lp
converge catre f n medie de ordinul p sau n Lp (si scriem fn ! f ) daca
1
Mp [jfn j] < 1 (8) n 1, Mp [jf j] < 1 si lim (Mp [jfn f j]) p = 0, sau echiva-
n!1
lent lim Mp [jfn f j] = 0.
n!1
Cnd p = 1 si p = 2 mai numim convergenta denita maI sus convergenta
n medie, respectiv n medie patratica.
Lp p
[3.2].Propozi tie.Daca fn ! f pentru un p 1, atunci fn ! f .
Demonstratie:
Rezulta aplicnd inegalitatea lui Markov .Avem:
p
P (jfn f j > ") M (jf"np f j ) ! 0.
n!1
n scopul demonstrarii echivalentei ntre cele doua convergente, n cazul p =
1 si n conditii suplimentare asupra variabilelor implicate, formulam urmatoarul
rezultat:
[3.3].Teorema (Teorema de convergen ta dominata).Daca sunt veri-
cate conditiile:
p
(a)fn ! f .
(b)exista o variabila aleatoare cu M [jgj] < 1 astfel nct jfn (!)j g (!) P
- a:s,
L1
atunci, fn ! f .
n particular, M [fn ] ! M [f ].
n!1
[3.4].Propozi tie.Fie f ; f1 , f2 , ..., fn , ...variabile aleatoare pozitive, de me-
p
die nita si astfel nct fn ! f .Atunci,
L1
fn ! f daca si numai daca M [fn ] ! M [f ].
n!1
Demonstratie:
Presupunem ca are loc convergenta M [fn ] ! M [f ] (1).Fie un = min (fn ; f ),
n!1
p
vn = max (fn ; f ).Avem un ! f si un f P a:s.Din Teorema de conver-
genta dominata, tinnd seama de pozitivitate rezulta ca M [un ] ! M [f ]
n!1
(2).Cum f + fn = un + vn , din (1) si (2) obtinem ca M [vn ] ! M [f ] (3).Apoi,
n!1
tinem seama de egalitatea jfn f j = vn un , n 1
p L1
tie.Daca fn ! f , atunci fn
[3.5].Propozi ! f daca si numai daca
sup jM [fn 1A ] M [f 1A ]j ! 0.
A2B(R) n!1
4
Demonstratie:
L1
Presupunem nti ca fn ! f .
Avem sup jM [(fn f ) 1A ]j sup M [jfn f j 1A ] M [jfn f j] !
A2B(R) A2B(R) n!1
0.
Invers, putem scrie:
M [jfn f j] = M jfn f j 1(fn >f ) + jfn f j 1(fn f ) = M fn 1(fn >f ) M f 1(fn >f ) +
M f 1(fn f ) M fn 1(fn f ) 2 sup jM [fn 1A ] M [f 1A ]j !
A2B(R) n!1
0.
[3.6].Propozi
tie.
Lp Lp
(a)Daca fn ! f si fn ! g, atunci f = g P a:s:
Lp Lp
(b)Reciproc, daca fn ! f si f = g P a:s, atunci fn ! g.
Demonstratie:
(a)Rezulta din unicitatea limitei n probabilitate, tinnd seama de implicatia
din Propozitia 3.2.
(b)Putem scrie:
p p p
M [jfn gj ] = M jfn gj 1(f =g) = M [jfn f j ] ! 0.
n!1
4.Convergen ta n reparti tie
Consideram f1 , f2 , ..., fn , ..variabile aleatoare reale avnd repartitiile 1 ,
2 ...., n , ....
,
[4.1].Deni tie.Fie f o variabila aleatoare reala, cu repartitia .Spunem ca
r
fn converge n repartitie catre f (si scriem fn ! f ) daca pentru orice functie
h : R ! R continua si marginita avem lim M n [h] = M [h].
n!1
[4.2].Teorema.Fie f o variabila aleatoare reala cu functia de repartitie F
si Fn functia de repartitie a variabilei aleatoare fn n 1.Urmatoarele armatii
sunt echivalente:
r
(a) fn ! f
(b) Pentru orice x 2 R, care este punct de continuitate pentru F si pentru
x = 1 avem lim Fn (x) = F (x).
n!1
Demonstratie:
r
Presupunem ca fn ! f . 8
< 1, daca x a
b x a x
Pentru a, b 2 R a < b consideram functia fa;b (x) = e , daca a < x < b ,
: b a
0, daca x b
care este continua, marginita si descrescatoare pe (a; b).Pentru x 2 R si k 1
sunt adevarate inegalitatile fx k1 ;x 1( 1;x) fx;x+ k1 si prin urmare, si ine-
galitatile:h i h i
M n fx k1 ;x n (( 1; x)) M n fx+ k1 ;x n 1 (1).
Trecnd
h la limit
i a cnd n ! 1 n (1), obtinem: h i
M fx k1 ;x lim inf Fn (x) lim sup Fn (x) M fx+ k1 ;x k 1 (2).
n!1 n!1
S
irul de functii fx 1
k ;x
converge punctual la 1( 1;x) , deci putem spune
k 1
ca el converge - aproape sigur, si aplicnd Teorema de convergenta dominata
5
h i
3.3, obtinem ca M fx 1
k ;x
! (( 1; x)).
k!1 h i
La fel, fx+ k1 ;x converge - aproape sigur la 1( 1;x] si M fx+ k1 ;x !
k 1 k!1
(( 1; x]).
Trecnd la limita cnd k ! 1 n inegalitatile din (2), rezulta:
(( 1; x)) lim inf Fn (x) lim sup Fn (x) (( 1; x]) (3).
n!1 n!1
n ipoteza ca x este punct de continuitate pentru F avem (( 1; x)) =
(( 1; x]) = F (x) si din (3) obtinem existenta limitei sirului (Fn (x))n 1 ,
precum si valoarea F (x) a cestei limite.
Pentru cazul x = 1 tinem seama ca Fn (1) = F (1) = 1 n 1.
Presupunem acum ca pentru orice x 2 R, care este punct de continuitate
pentru F si pentru x = 1 avem lim Fn (x) = F (x).
n!1
Fie D multimea punctelor de discontinuitate ale lui F .D este cel mult numarabila
si R D este densa n R (vezi proprietatile functiei de repartitie).Pentru orice
a 2 R D avem lim n (( 1; a)) = (( 1; a)), care se mai scrie:
n!!1
lim M n 1( 1;a) = M 1( 1;a) (4).
n!1
De aici, folosind liniaritatea mediei rezulta:
lim M n [f ] = M [f ] (5)
n!1
n
X
pentru orice variabila f de forma f = ck 1[ak 1 ;ak )
, 1 a0 < a1 <
k=1
::: < ak 1 < ::: < an 1 si ak 2 R D k = 0; n.
Pentru h continua si marginita si pentru orice M > 0 exista o variabila
simpla, de forma de mai sus, astfel nct sup jh (x) f (x)j M (folosim faptul
x2R
ca aderenta lui R D este R).Avem
M n [h] M [h] M n [jh f j] + M [jh f j] + M n
[f ] M [f ]
2M + M n [f ] M [f ] .
Facnd n ! 1 obtinem:
lim sup M n [h] M [h] 2M (8) M 1.
n!1
Trecem apoi la limita cnd M ! 1.
Presupunem ca variabilele considerate sunt denite pe acelasi cmp de prob-
abilitate ( ; K; P ).
[4.3].Propozi tie.Fie f : ( ; K; P ) ! R o variabila aleatoare.
p r
(a)Daca fn ! f , atunci fn ! f .
r p
(b)Reciproc, daca fn ! f si f = c c 2 R, atunci fn ! f .
Demonstratie:
(a).Pentru A, B 2 K avem P (A) = P (A n B) + P (A \ B) P (A4B) +
P (B).La fel, P (B) P (A4B) + P (A) si n nal, jP (A) P (B)j P (A4B)
(1).
Fie F si Fn functiile de repartitie ale variabilelor f , respectiv fn n 1 si
x 2 R un punct de continuitate pentru F .
Daca A = f! 2 j fn (!) < xg si B = f! 2 j f (!) < xg din (1) avem:
jFn (x) F (x)j P ((fn (!) < x) 4 (f < x)) (2)
6
si este sucient sa aratam convergenta P ((fn (!) < x) 4 (f < x)) ! 0:
n!1
Daca ("k )k 1 este un sir de numere pozitive astfel nct "k # 0, pentru orice
k 1 avem:
P (fn < x; f x) P (jfn f j "k ; fn < x; f x)+P (jfn f j < "k ; fn < x; f x)
P (jfn fj "k ) + P inf jy f j < "k ; f x .
y<x
La fel,
P (f < x; fn x) P (jfn fj "k ) + P inf jy f j < "k ; f < x .
y x
Obtinem:
P ((fn < x) 4 (f < x)) = P (fn < x; f x)+P (f < x; fn x) 2P (jfn fj "k ) +
P inf jy f j < "k ; f x +P inf jy f j < "k ; f < x (3).
y<x y x
n (3) trecem la limita cnd n ! 1 si tinem seama ca P (jfn fj "k ) !
n!1
0.Obtinem:
lim sup P ((fn < x) 4 (f < x)) P inf jy f j < "k ; f x +P inf jy f j < "k ; f < x
n!1 y<x y x
(4)
inf jy f j < "k ; f x si inf jy f j < "k ; f < x ind siruri de-
y<x y x
k 1 k 1
screscatoare de evenimente convergente la fxg cnd "k # 0 si tinnd seama ca
x este punct de continutate pentru F avem P inf jy f j < "k ; f x !
y<x k!1
(fxg), P inf jy f j < "k ; f < x ! (fxg), (fxg) = F (x + 0) F (x) =

y x k!1
0.
Trecnd la limita cnd k ! 1 n (4) rezulta P ((fn < x) 4 (f < x)) ! 0
n!1
si tinnd seama de (2), Fn (x) ! F (x).
n!1
(b)Repartitia variabilei f = c, c 2 R este repartitia Dirac n c, "c , iar functia
ei de repartitie este F = 1(c;1) .Pentru " > 0 avem:
[
P (jfn cj > ") = P fn 2 ( 1; c ") (c + "; 1) Fn (c ") +
1 Fn (c + ") ! F (c ")+1 F (c + ") = 1(c;1) (c ")+1 1(c;1) (c + ") =
n!1
0.
5.Legi ale numerelor mari
Legile numerelor mari formuleaza conditii pentru convergenta la 0 n prob-
abilitate (n legea slaba), respectiv convergenta aproape sigura (n legea tare)
Pn
pentru sirurile (Sn )n 1 ale sumelor de forma Sn = n1 fk cn , fn : ( ; K; P ) !
k=1
(R; BR ) n 1 ind variabille aleatoare independente si (cn )n 1 un sir de vari-
abile reale.Acest comportament face posibile aproximari asimptotice ale prob-
abilitatilor P (jSnj < ") " > 0, respectiv aproximari P - aproape sigure ale
P
n
valorilor aleatoare n1 fk cu valori reale cn , atunci cnd n este sucient de
k=1
7
1
P
n
mare.Cel mai frecvent, cn sunt sume empirice de forma n bk .
k=1
5.1.Legea slaba a numerelor mari
[5.1.1].Deni tie.Fie fn : ( ; K; P ) ! (R; BR ) n 1 variabile aleatoare
independente.Spunem ca sirul (fn )n 1 urmeaza legea slaba a numerelor mari
daca exista un sir (bn )n 1 de numere reale astfel nct
1
Pn Pn p
n fk n1 bk ! 0.
k=1 k=1
[5.1.2].Propozi tie.Fie (fn )n 1 un sir de variabile aleatoare independente,
cu D2 [fn ] < 1 , n 1 si e (an )n 1 un sir de numere reale an " 1.Daca
P
n
lim a12 D2 [fn ] = 0, atunci
n!1 n k=1
1
Pn p
an (fk M [fk ]) ! 0.
k=1
Demonstratie:
1
X
1 L2
Conform 3.2 este sufucient sa aratam ca Tn = an (fk M [fk ]) !
k=1
0.Tinnd
seama ca (fk M [fk ]) k 1 sunt variabile independente, avem
X1 h i Xn
2
M Tn2 = a12 M (fk M [fk ]) + a12 M [fi M [fi ]] M [fj M [fj ]] =
n n
k=1 i;j=1
i6=j
n
X
1
a2n D2 [fk ].
k=1
[5.1.3].Corolar.Fie (fn )n 1 un sir de variabile aleatoare independente, pen-
tru care exista A > 0 astfel nct D2 [fn ] < A (8) n 1 (cu dispersii egal
marginite).Atunci,
1
Pn p
n (fk M [fk ]) ! 0.
k=1
((fn )n 1 satisface legea slaba a numerelor mari cu sirul (M [fn ])n 1 ).
Demonstratie:
Xn
Avem n12 D2 [fk ] n1 A ! 0.
n!1
k=1
[5.1.4].Corolar.Daca (fn )n 1 este un sir de variabile aleatoare indepen-
dente, cu M [fn ] = m si D2 (fn ) < A (8) n 1, A > 0, atunci
1
Pn p
n fk ! m.
k=1
Demonstratie:
Se aplica Corolarul 5.1.3.
Unul dintre rezultatele Teoriei Probabilitatilor, care fundamenteaza metoda
selectiei ca metoda de baza n cercetarea statistica este Teorema lui Bernoulli de
convergenta n probabilitate a frecventei relative de aparitie a unui eveniment
catre probabilitatea acestuia.Teorema lui Poisson formuleaza o generalizare a
Teoremei lui Bernoulli.
8
[5.1.5].Teorema (Poisson).Fie n numarul de aparitii ale unui eveniment
A n n experimente independente E1 , E2 , ..., En n 1 si e pk probabilitatea de
aparitie n experimentul Ek , k = 1; n.Atunci,
1
P
n p
n
n
n pk ! 0.
k=1
Demonstratie:
0 1
Fie Bpk = variabila Bernoulli asociata evenimentului A n
1 pk pk
experimentul Ek .
Bpk k 1 sunt variabile aleatoare independente, cu M Bpk = pk si D2 Bpk =
pk (1 pk ) k = 1; 2; :::; n.
1
P
n
Avem D2 Bpk 4 , k = 1; 2; ::; n
si aplicam 5.1.3, tinnd seama ca Bpk =
k=1
n.
[5.1.6].Teorema (Bernoulli).Fie n numarul de aparitii ale unui eveni-
ment n n probe independente ale unui experiment E si e p 2 (0; 1) probabili-
tatea de aparitie a acestuia ntr-o proba.
Atunci,
p
n ! p.
n
Demonstratie:
Se aplica Teorema lui Poisson pentru pk = p, k = 1; 2; :::; n.
Urmatorul rezultat formuleaza conditii suciente pentru ca un sir de variabile
aleatoare reale independente si identic repartizate sa satisfaca legea slaba a
numerelor mari.
[5.1.7].Teorema (legea slaba a numerelor mari n forma Hincin).Fie
(fn )n 1 este un sir de variabile aleatoare independente si identic repartizate, cu
M [f1 ] < 1.Atunci,
1
P
n p
n fk ! M [f [1 ]].
k=1
Demonstratie:
Folosim metoda trunchierii.Fie n 1 si
> 0.
n
X _ n
X
1 1
Denim fk;n = fk 1(jfk j n) , Sn = n fk , S n = n fk;n si e m =
k=1 k=1
M [f1 ], m = M [jf1 j], mn = M f1;n .
Aplicndh Teorema
i de convergenta dominata, avem h i
lim M fk;n = lim M fk 1(jfk j n) = M [fk ] = m si lim M fk;n =
n!1 n!1 n!1
M [jfk j] = m (1).
Mai departe, avem ! !
_ n
X n
X n
[
P Sn 6= S n =P fk 6= fk;n P fk 6= fk;n
k=1 k=1 k=1
n
X Xn
P fk 6= fk;n = P (jfk j > n ).
k=1 k=1
1 1
Dar, P (jfk j > n ) = M 1(jfk j> n) = n M n 1(jfk j> n) n M jfk j 1(jfk j> n) =
9
h h ii
1
n M [jfk j] M fk;n < n1 2 , ultima inegalitate ind adevarata pen-
tru n sucient de mare, (n N1 ( )) datorita (1).Rezulta
_
P Sn 6= S n < (8) n N1 ( ) (2).
Apoi, pentru " > 0 avem:
_ _
P (jSn mj > ") = P jSn mj > "; Sn 6= S n +P jSn mj > "; Sn = S n
_
P Sn 6= S n + P Sn m > " (3).
Este sucient sa obtinem o estimare ca n (2) pentru P S n m > " .Pentru

aceasta, h i
2
D f1;n M f1;n = M f12 1(jf1 j n ) M n jf1 j 1(jf1 j n )
n M [jf1 j] = n m (4)
ultima inegalitate ind valabila pentru n sucient de mare, datorita (1)
(n N2 ( )).
din inegalitatea lui Cebsev si din independenta, folosind
! (4), obtinem:
_ _ Xn
P S n M S n > 2" P fk;n mn n"
2
4
n2 "2 nD
2
f1;n
k=1
4 "m
2 , n N2 ( ) (5)
Din (1) si (5) rezulta:
_ _ _ _
" "
P Sn m >" P Sn M Sn > 2 +P M Sn m > 2
!
n
X h i
4 "m
2 + P
1
n M fk;n m > "
2 = 4 "m
2 +P mn m > "
2 < 4 "m
2 +
k=1
, pentru n max (N1 ( ) ; N2 ( )).
n nal, tinnd seama de (3),
P (jSn mj > ") + 4 "m
2 + , pentru n max (N1 ( ) ; N2 ( ))
si facem # 0.
5.2.Legea tare a numerelor mari
Demonstratia legii numerelor mari priveste urmatorul rezultat, referitor la
convergenta sirurilor de numere reale.
[5.2.1].Teorema (Kolmogorov).Fie (fn )n 1 fn : ( ; K; P ) ! (R; BR ) un
sir de variabile aleatoare pe ( ; K; P ) independente, cu D2 (fn ) < 1 n 1 si
e (an )n 1 un sir de numere pozitive astfel nct an " 1.
Daca
P
1
D 2 (fn )
a2 < 1, atunci
n
n=1
1
P
n
a:s
an (fk M [fk ]) ! 0.
k=1
P
1
D 2 (fn )
n particular, daca n2 < 1, atunci
n=1
1
P
n
a:s
n (fk M [fk ]) ! 0.
k=1
10
1
P
n
1
P
n
a:s
n plus, daca n M [fk ] ! m, atunci n fk ! m.
k=1 n!1 k=1
Consideram, de asemenea, urmatorul rezultat pe care l foloseste demon-
stratia Legii tari.
[5.2.2].Lema.Fie f : ( ; K; P ) ! (R; BR ) o variabila aleatoare nenegativa,
cu M [f ] < 1.Atunci,
X1 1
X
P (f n) M [f ] 1 + P (f n).
n=1 n=1
Demonstratie:
Fie An = (n f < n + 1).(An )n 1 este sistem complet de evenimente.Denim
fn = f 1An .Cum An sunt evenimente incompatibile, avem:
Xn n
X
fk = f 1Ak = f 10 [
n 1 =f 1
[0;n+1) ! f aproape sigur.Rezulta:
n!1
k=0 k=0 @ Ak A
k=1
1
X
f= fn (1)
n=0
Cum f 1[0;n+1) < jf j, din Teorema de convergenta dominata 3.3 rezulta
Xn
M f 1[0;n+1) ! M [f ], adica M [f 1Ak ] ! M [f ], deci
n!1 n!1
k=0
1
X
M [f ] = M [fn ] (2)
n=0
Putem scrie:
nP (n f < n + 1) = M n 1(n f <n+1) M f 1(n f <n+1) M (n + 1) 1(n f <n+1)
= (n + 1) P (n f < n + 1). (3)
Din (2) si (3) avem:
X1 X1 X1 X1
nP (An ) M [f ] (n + 1) P (An ) = P (An ) + nP (An ).
n=0
1
n=0
1 X 1 1
n=0
1
! n=0
1
X X X [ X
Apoi, nP (An ) = P (An ) = P An = P (f k).
n=0 k=1 n=k k=1 n=k k=1
(4)
[5.2.3].Teorema (legea tare a numerelor mari).Fie (fn )n 1 , fn :
( ; K; P ) ! (R; BR ) un sir de variabile aleatoare independente si identic repar-
tizate.Atunci,
1
P
n
a:s
n fk ! M [f1 ]
k=1
daca si numai daca M [f1 ] < 1.
Demonstratie:
Presupunem nti ca M [f1 ] < 1.Denim variabilele f n = fn 1(jfn j<n) ,
X n n
X
S n = n1 f k si e Sn = n1 fk .
k=1 k=1
1
X 1
X
Din Lema 5.2.2 P f n 6= fn = P (jfn j n) M [jf1 j] < 1 si
n=1 n=1
11
din Lema Borel-Cantelli rezulta ca avem P lim sup f n 6= fn = 0.Obtinem
n!1
ca P (9) N a.. f n = fn (8) n N = 1.De aici rezulta ca daca una dintre
sumele Sn , S n converge aproape sigur catre o limita, atunci si cealalta converge
catre aceeasi limita.
Aplicnd teorema de convergenta dominata sirului f1 1((jf1 j<n)) n 1 obtinem
ca M f n ! M [f1 ].Prin urmare, este sucient sa aratam ca
n!1
n
X
1 a:s
n fn M fn !0 (1)
k=1
1
X D 2 [f n ]
Avnd n vedere Teorema lui Kolmogorov, este sucient sa aratam ca n2 <
h n=1
i
h 2
i 1
X M (f n )
2
1 si cum D2 f k = M fk , aceasta revine la a arata ca n2 < 1.

n=1
Pentru aceasta, 2 3
" #
h 2
i 6 2 7 n
X
M fn =M f12 1((jf1 j<n)) =M6
4f1 1 [
n 7
5 M f12 1(k 1 jf1 j<k)
(k 1 jf1 j<k) k=1
k=1
n
X n
X
M k 2 1((k 1 jf1 j<k)) = k 2 P (k 1 jf1 j < k). (2)
k=1
h i k=1
1
X 2 1 X
X n
M (f n )
1
n2 n2 k 2 P (k 1 jf1 j < k) =
n=1 n=1 k=1
X1 1
X 1
X
1 1 1
k 2 P (k 1 jf1 j < k) n2 k 2 P (k 1 jf1 j < k) k2 + k
k=1 n=1 k=1
X1 1
X 1
X
2 P (jf1 j (k 1)) + (k 1) P (k 1 jf1 j < k) = 2 P (jf1 j (k 1)) +
k=1 k=1 k=1
1
X
P (jf1 j k) < 3M [jf1 j] < 1.
k=1
Presupunem acum ca Sn converge !
aproape sigur.Putem scrie:
n
X n
X1
fn 1 a:s
n = n fk nn 1 n 1=1 fk ! 0.
k=1 k=1
Aceasta nseamna ca P ((9) N a.. jfn j > n (8) n N ) = 0.Cum eveni-
mentele (jfn j > n) sunt independente, din Lema Borel Cantelli obtinem ca
1
X 1
X
P (jfn j > n) = P (jf1 j > n) < 1, deci M [jf1 j] < 1, asa cum rezulta
n=1 n=1
din Lema 5.2.2.
6.Exemple lucrate
12
p p
n 0 n
[6.1].Aratam ca sirul de variabile aleatoare (fn )n 1 fn : 1 1 1
2n+1 1 2n 2n+1
converge aproape sigur catre 0.
Rezolvare: p p
Pentru orice " > 0 avem P (jfn j > ") = P (fn = n) + P (fn = n) =
1 1 1
2n+1 + 2n+1 = 2n .
1
X 1
X
1
Tinem
seama ca seria P (jfn j > ") = 2n < 1
si aplicam 1.3.
n=1 n=1
k+1 k+1
n 2 0 n 2
[6.2].Fie sirul de variabile aleatoare (fn )n 1 , fn : 1 1 1
2nk
1 nk 2nk
k 1.
fn converge n probabilitate si nu converge n medie patratica.
Rezolvare:
Pentru " > 0 avem P (jfn j > ") = n1k ! 0, deci fn converge n probabili-
n!1
1
tate la 0.n schimb, M fn2 = 2nk+1 2nk
= n ! 1.
n 0 n
Sirul de variabile aleatoare independente (Xn )n
[6.3]. 1, Xn : 1 1 1
2n2 1 n2 2n2
verica Legea tare a numerelor mari.
Astfel,
M [Xn ] = ( n) 2n1 2 + 0 1 n12 + n 2n1 2 = 0 si D2 [Xn ] = M Xn2 =
2
( n) 2n1 2 + 0 1 n12 + n2 2n1 2 = 1.
P
n
D 2 (Xn ) P
n
1
Avem n2 =2 n2 < 1, si conform Teoremei lui Kolmogorov,
k=1 k=1
1
P
n
a:s
n Xk ! 0.
k=1
[6.4].Fie (fn )n 1 fn : ( ; K; P ) ! R un sir de variabile aleatoare indepen-
dente, cu D2 [fn ] < 1 n 1 si e Sk = f1 + f2 + + fk k 1.
(a)Aratam ca daca este vericata conditia:
X1
D2 [fk ] < 1,
k=1
1
X
atunci (Sn M [Sn ])n 1 converge aproape sigur (adica seria (fk M [fk ])
k=1
converge aproape sigur).
1
X 1
X
(b)Daca n plus, M [fk ] < 1, atunci seria fk converge aproape sigur.
k=1 k=1
Rezolvare: !
n
X
Aratam ca sirul (fk M [fk ]) este Cauchy aproape sigur.Va rezulta
k=1 n 1
ca el converge aproape sigur.Este sucient ca pentru orice!" > 0 sa avem:
Xl Xm
P inf sup (fk M [fk ]) (fk M [fk ]) > " = 0 (1).
m 1l m
k=1 k=1
13
(m)
Pentru m, k 1 notam (Sm+k Sm ) = T k si putem scrie:
P inf sup j(Sl M [Sl ]) (Sm M [Sm ])j > " P sup j(Sl M [Sl ]) (Sm M [Sm ])j > " =
m 1l m l m
!
h i 1
[ h i
(m) (m) (m) (m)
P sup Tk M Tk >" P sup Tk M Tk >" =
k 1 n=1 1 k n
h i
(m) (m)
lim P sup Tk M Tk >" lim 12 D2 [Tnm ] (8) m 1
n!1 1 k n n!1 "
(2).
Sunt adevarate egalitatile:
h i m+n
X
(m)
lim "12 D2 Tn = lim 1
2D
2
[Sn+m Sm ] = lim 1
2 D2 [fk ] =
n!1 n!1 " n!1 "
k=m+1
1
X
1
"2 D2 [fk ] (8) m 1.
k=m+1
1
X 1
X
Cum D2 [fk ] < 1, avem lim D2 [fk ] = 0 si trecem la limita cnd
m!1
k=1 k=m+1
m ! 1 n (2).
( [6.5].Fie X1 ; X2 ; :::; Xn ; ::: variabile aleatoare independente cu P (Xn = a) =
1 p1n ; a 6= n si a 6= n
1 .
p
2 n
; a = n sau a = n
Aratam ca sirul de variabile aleatoare p1 Xn nu verica legile nu-
n n 1
merelor mari.
Rezolvare: p h i h i
2
Avem M [Xn ] = 0, D2 [Xn ] = 2 2npn = n n, M p1n Xn = 0, D2 p1n Xn =
p
n.
X n n
X
Denim variabila Yn = p1 Xk .Avem M [Yn ] = M [Xk ] = 0 si din
k
k=1 k=1
n
X n
X
2
p
independenta, D [Yn ] = D [Xk ] = k.
k=0 k=0
n
!
X p
1
Din Inegalitatea lui Cebsev obtinem P n n
p Xk < " = P (jYn j < n n")
k=1
X
n
p
k
D 2 [Yn ] k=0
1 n2 "2 =1 n2 "2 .
X
n
p
k
p p
k=0 n+1 n
Tinem
seama ca lim n2 = lim(n+1) 2
n2
= 0, asa cum rezulta aplicnd
n!1 n!1
regula Cesaro-Stoltz.
7.Teme de control
14
[7.1].Fie X1 ; X2 ; :::; Xn ; ::: variabile aleatoare independente si identic repar-
tizate cu Mk [X1 ] < 1, k > 1:
X k +X k +:::+X k p
Sa se arate ca 1 nn n
! M [X1 ].
[7.2].Fie X1 ; X2 ; :::; Xn ; ::: variabile aleatoare independente cu P (Xn = 1) =
1 n1 , n 1.
p
Sa se arate ca Xn ! 1:
[7.3].Fie sirul de variabile aleatoare independente (Xn )n 1 cu repartitiile:
p p
0 log k log k
X1 : , Xn : 1 1 , k 2.
1 2 2
Sa se arate ca sirul se supune Legii numerelor mari.
[7.4].Fie sirul de variabile aleatoare independente (Xn )n 1 cu M [Xn ] = 0
si D2 [Xn ] = n , 2 (0; 1), n 1.
Sa se arate ca sirul se supune Legii numerelor mari.
[7.5].Fie sirul de variabile aleatoare independente (Xn )n 1 , avnd densitatile
de probabilitate
n 2
(xp )
p
pn (x) = p 1p e n
, x 2 R, 0 1, n 1.
n
Sa se arate ca sirul se supune legii numerelor mari.
15
MODULUL VI
1.Func
tia caracteristica.Proprieta
ti generale
2.Func
tiile caracteristice ale repartitiilor fundamentale
3.Teorema limita centrala
5.Teme de control
1.Func
tia caracteristic
a.Propriet
a
ti generale
Functia caracteristica este un instrument analitic ecient n studiul repar-

titiilor variabilelor aleatoare.Relatia biunivoca dintre repartitia unei variabile
aleatoare si functia ei caracteristica, faptul ca relatiile ntre variabilele aleatoare,
respectiv ntre repartitiile lor, se transpun semnicativ n relatii ntre functiile
caracteristice, fac posibila abordarea problemelor de repartitii prin functiile lor
caracteristice, tehnicile de studiu ind astfel mult simplicate.
Valoarea medie a unei variabile aleatoare reale a fost denita n Modulul

III.Pentru o variabila complexa f = g + ih (nsemnnd ca g si h sunt variabile
aleatoare reale pe acelasi cmp de probabilitate), cu M [g] < 1 si M [h] < 1,
denim valoarea medie astfel:
M [f ] = M [g] + iM [h] [1.1]
[1.2].Remarca:
Este simplu de motivat, tinnd seama de 1.1 ca proprietatea de liniaritate a
mediei ramne adevarata n cazul variabilelor aleatoare complexe, de asemenea
formula de multiplicare.
[1.3].Deni tie.Fie f : ( ; K; P ) ! (R; BR ) o variabila aleatoare.
Functia 'f : R ! C, 'f (t) = M eitf
se numeste functia caracteristica a lui f .
[1.3.1].Remarca.
Pentru orice variabila f avem eitf = cos tf + i sin tf si jcos tf j 1, jsin tf j
1, deci M [cos tf ] < 1 si M [sin tf ] < 1.Rezulta ca oricarei variabile aleatoare
i se asociaza functia ei caracteristica.
Daca gt (x) = eitx , avem eitf = gt f si din formula de transport (vezi 1.6
III) rezulta ca pentru f din Denitia 1.2 avem M eitf = MP f 1 [gt ].Obtinem
urmatoarele reprezentari ale functiei caracteristice, folosind legea repartitiei
variabilei aleatoare:
Daca f este variabila aleatoare discreta, cu functia de frecventa denita de
tabelul de distributie
xj X
f: pj 0, j 2 I; pj = 1,
pj j2I
j2I
atunci func
Xtia caracteristica a lui f este:
'f (t) = eitxj pj , t 2 R. [1.3.2]
j2I
1
X X
(sau, tinnd seama de 1.1, 'f (t) = cos txj pj + i sin txj pj ).
j2I j2I
Daca f este variabila aleatoare continua cu densitatea de probabilitate p,
atunci functia caracteristica a lui f este:
Z1
'f (t) = eitx p (x) dx, t 2 R. [1.3.3]
1
Z1 Z1
(sau, tinnd seama de 1.1, 'f (t) = cos txp (x) dx + i sin txp (x) dx).
1 1
[1.4].Remarca:
Din 1.3.2 si 1.3.3 rezulta ca functia caracteristica a unei variabile aleatoare
este determinata de repartitia acesteia, fapt pentru care aceasta functie se aso-
ciaza de asemenea, repartitiei.n general, pentru o repartitie pe R denim
functia caracteristica a lui functia ' : R ! C, ' (t) = M eitx .
Cum jcos txj 1si jsin txj 1, avem M [cos tx] < 1 si M [sin tx] < 1,
deci M eitx .= M [cos tx] + iM [sin tx] < 1.Rezulta ca oricarei repartitii pe
R i se asociaza functia ei de repartitie.
[1.5].Propozi tie.Fie f : ( ; K; P ) ! (R; BR ) o variabila aleatoare.Atunci,
(a)'f (0) = 1.
(b) 'f (t) 1
(c)'f ( t) = 'f (t)
(d)'f este uniform continua.
(e)'af +b (t) = eitb 'f (at) a, b 2 R.
Demonstratie.
(a)'f (0) = M [1] = 1.
(b) 'f (t) = M eitf M eitf = M [1] = 1.
(s-a tinut seama ca eitf = jcos tf + i sin tf j = 1).
(c)'f ( t) = M ei( t)f = M [cos tf i sin tf ] = M [cos tf ] iM [sin tf ] =
M [cos tf ] + iM [sin tf ] = 'f (t).
(d)Pentru t, h 2 R avem:
'f (t + h) 'f (t) = M eitf eihf 1 M eitf eihf 1 M eihf 1
(8) t 2 R.
Putem scrie:
sup 'f (t + h) 'f (t) M eihf 1 (8) h 2 R.
t2R
Avem eihf 1 eihf +1 = 2 (8) h 2 ( "; ") si eihf 1 ! 0.Aplicnd
h!0
Teorema de convergenta dominata a lui Lebesgue oricarui sir de variabile aleatoare
reale eihn f 1 n 1 , hn ! 0 (vezi 1.4.(c).III) obtinem M eihf 1 ! 0,
n!1 h!0
deci si sup 'f (t + h) 'f (t) ! 0.
t2R h!0
(e)'af +b (t) = M eit(af +b) = M eitb ei(at)f = eitb M ei(at)f = eitb 'f (at)
t 2 R.
[1.6].Propozi tie.Daca f1 , f2 , ..., fn : ( ; K; P ) ! (R; BR ) sunt variabile
aleatoare independente, atunci
2
n
Y
'X
n (t) = 'fk (t) t 2 R.
fk k=1
k=1
Demonstratie: 2 3
X
n
6 it fk
7
Aplicam formula de multiplicare si avem: 'X
n (t) = M 6
4e k=1 7 =
5
fk
" n
# n n
k=1
Y Y Y
M eitfk = M eitfk = 'fk (t).
k=1 k=1 k=1
[1.7].Propozi tie.Daca pentru n 1 avem M n [f ] < 1, atunci pentru orice
(k)
t 2 R exista derivatele 'f (t) de ordin k n si avem:
(k)
'f (t) = ik M f k eitf .
n particular,
(k)
'f (0) = ik Mk [f ].
Demonstratie:
Daca pentru n 1 avem M n [f ] < 1, atunci M k [f ] < 1 (8) k n, asa
cum rezulta din inegalitatea lui Leapunov (vezi 3.6.III).
n cazul variabilelor discrete armatia rezulta aplicnd succesiv teorema de
derivare termen cu termen a unei serii de functii.Astfel, pentru k n, termenii
seriei din 1.3.2 admit derivate de ordinul k pe R:
(k)
eitxj pj = ik xkj eitxj pj (8) t 2 R
si avem
(k)
eitxj pj xkj
(8) t 2 R (1)
X
Cum M k [f ] < 1, avem xkj pj < 1 si din inegalitatea (1) rezulta ca se-
i2I
X (k)
ria derivatelor eitxj pj este uniform convergenta relativ la t 2 R.Urmeaza
i2I
ca seria 'f (t) din 1.3.2 admite derivata de ordinul k si avem:
(k)
X (k) X
'f (t) = eitxj pj = ik xkj eitxj pj = ik M f k eitf (8) t 2 R.
i2I i2I
n cazul unei repartitii continue este aplicabila teorema de derivare sub in-
tegrala. Pentru aceasta, este sucient sa specicam ca pentru k n exista
derivatele de ordinul k pe R:
@k
@tk
eitx p (x) = ik xk eitx p (x) x 2 R, t 2 R
si avem:
@k k
@tk
eitx p (x) jxj p (x) x 2 R, t 2 R (2)
Z1 Z1
k @k
Cum M k [f ] < 1, avem jxj p (x) dx < 1 si din (2) va rezulta @tk
eitx p (x) dx <
1 1
3
1.Obtinem ca integrala
0 1 din 1.3.3 1 admite derivata de ordinul k si avem:
Z Z1
(k) @k @
'f (t) = @tk e p (x) dxA = i
itx k
xk eitx p (x) dx = ik M f k eitf .
1 1
[1.8].Corolar.Daca pentru n 1 avem M n [f ] < 1, atunci pentru orice
t0 2 R este posibila dezvoltarea:
n
X
tk (k)
'f (t + t0 ) = 'f (t0 ) + k! 'f (t0 ) + Rn (t; t0 ), unde Rn (t; t0 ) veric
a:
k=1
n
(a)jRn (t; t0 )j 2 jtj
n! M n [f ]
2 (1) (1)
(b)Rn (t; t0 ) = t Rn (t; t0 ), cu lim Rn (t; t0 ) = 0.
t!0
(2n)
[1.9].Propozi tie.Daca pentru n 1 'f (0) exista, atunci pentru orice
k n avem M k [f ] < 1 si avem:
(k)
Mk [f ] = i1k 'f (0) :
[1.10].Teorema (Teorema de inversiune).Fie f : ( ; K; P ) ! (R; BR ) o
variabila aleatoare avnd functia de repartitie F si functia caracteristica '.
Daca x1 < x2 sunt puncte de continuitate pentru F , atunci:
Zc
1 e itx1 e itx2
F (x2 ) F (x1 ) = lim 2 it ' (t) dt.
c!1
c
Demonstratie:
Zc
e itx1 e itx2
Fie Ic = it ' (t) dt.Avem:
0 c1 1
Zc Z
itx1 itx2
Ic = @ e e
eity p (y) dy A dt (1)
it
c 1
daca f este
0 variabila continua, cu
1densitatea de probabilitate p.
Zc X
e itx1 e itx2 ityj
Ic = @ it e pj A dt (2)
c j2I
daca f este variabila discreta, cu distributia de probabilitate (pj )j2I .
Zx2
e itx1 e itx2
Cum it = e itx dx, (1) si (2) devin respectiv:
x1
Zc Z1 Zx2
itx ity
Ic = e e p (y) dxdydt (3)
c 01 x1 1
Zc XZ
x2
Ic = @ e itx ityj
e pj dxA dt (4)
c j2I x
1
itx ity
Avem e e p (y) p (y) (8) y 2 R, deci are sens integrala iterata din
(3) si conform Teoremei Fubini-Tonelli, putem scrie:
4
2c x 3 2c 3
Z1 Z Z2 Z1 Z
itx1 itx2
Ic = 4 e itx ity
e p (y) dxdt5 dy = 4 e e
eity dt5 p (y) dy =
it
2c 1 c x1 3 1 c
Z
itx1 itx2
M4 e
it
e
eitf 5.(5)
c
X Z Z
c x2
X
n cazul repartitiei discrete, remarcam ca e itx ityj
e pj dxdt 4 pj =
j2I c x1 j2I
2c x 3
X Z Z
2
1, deci seria 4 e itx ityj

e pj dxdt5 este convergenta si se poate scrie ca n
j2I c x1
(4). 2c 3
Z
itx1 itx2
Rezulta Ic = M 4 e
it
e
eitf dt5. (6)
c 0 1
Zc Zc Zc
itx1 itx2 it(f (!) x1 ) it(f (!) x1 )
Pentru ! 2 , e
it
e
eitf ((!)) dt = @ e
it dt + e
it dtA
0 c 1 0 0
Zc Zc
it(f (!) x2 )
@ eit(f (!) x2 )
e
it dt + it dtA
0 0
Zc Zc c(f (!)
Z x1 ) c(f (!)
Z x2 )
2 sin t(f (!) x1 ) 2 sin t(f (!) x2 ) sin s sin s
= t dt t dt =2 s ds 2 s ds.
0 2 0 3 0 0
c(f (!)
Z x1 )
6 sin s 7
Se obtine Ic = 2M 4 s ds5 (8) c > 0 (7)
c(f (!) x2 )
c(f (!)
8
Z x1 ) < 1, daca x1 < f (!) < x2
1 sin s 1
Din formula lui Dirichlet, J (f (!)) = lim
c!1 s ds =
: 2,
daca f (!) = x1 sau f (!) = x2 .
c(f (!) x2 )
0, daca f (!) < x1 sau f (!) > x2
c(f (!)
Z x1 ) c(f (!)
Z x1 )
sin s sin s
Avem s ds s ds c (x2 x1 ) ! P a:s si
c(f (!) x2 ) c(f (!) x2 )
aplicnd Teorema convergentei dominate n (7), rezulta:
lim 21 Ic = M [J (f )] = P (x1 < f < x2 ) + 12 P (f = x1 ) + 12 P ( f = x2 ).
c!1
Cum x1 si x2 sunt puncte de continuitate pentru F , avem P (f = x1 ) =
P (f = x2 ) = 0 si rezulta:
lim 21 Ic = P (x1 < f < x2 ) = F (x2 ) F (x1 ).
c!1
[1.11].Teorema (Teorema de unicitate).Daca 1 = 2 sunt repartitii pe
R astfel nct ' 1 = ' 2 , atunci 1 = 2 .
Demonstratie:
5
Este sucient sa demonstram ca functia de repartitie este determinata de
functia caracteristica.
Pentru aceasta, e F o functie de repartitie.
Deoarece multimea CF a punctelor de continuitate ale lui F este densa n
(n) (n)
R, gasim un sir x1 de puncte din CF astfel nct x1 ! 1.Daca x
n 1 n!1
este punct de continuitate pentru F , din Teorema de inversiune se obtine:
Zc (n)
(n) e itx1 e itx
F (x) = lim F x1 + lim lim 21 it ' (t) dt.
n!1 x1 ! 1 c!1
(n)
c
Zc
ity itx
Putem scrie: F (x) = lim lim 1 e e
' (t) dt. (1)
y! 1 c!1 2 it
y2CF c
(n) (n)
Daca x 2
= CF , exista un sir x2 de puncte din CF astfel nct x2 !
n 1 n!1
x.Din (1) rezulta:
Zc (n)
(n) ity itx2
F x2 = lim lim 1 e e
' (t) dt si prin trecere la limita,
y! 1 c!1 2 it
y2CF c
Zc
ity itz
F (x) = lim lim lim 1
z!x y! 1 c!1 2
e
it
e
' (t) dt (2)
z2CF y2C
F c
Evident, (2) este valabila si pentru x punct de continuitate.
[1.12].Teorema.Fie F functia de repartitie a unei repartitii pe R si '
functia ei caracteristica.Daca ' este absolut integrabila, atunci F este absolut
continua si n orice punct de continuitate al lui F densitatea de repartitie este:
Z1
0 1
p (x) = F (x) = 2 e itx ' (t) dt.
1
n plus, p este continua si marginita.
Demonstratie:
Fie CF multimea punctelor de continuitate ale lui F .Pentru x1 , x2 2 R
itx1
e itx2
denim x1 ;x2 (t) = e it ' (t).Avem:
Zx2 Zx2
itx
x1 ;x2 (t) e dx' (t) e itx dx j' (t)j (x2 x1 ) j' (t)j (1)
x1 x1
Cum ' este absolut integrabila, x1 ;x2 este absolut integrabila.Avem, deci
Zc Z1
1 1
lim 2 x1 ;x2 (t) dt = 2 x1 ;x2 (t) dt.n rela
tiile (1) si (2) din demon-
c!1
c 1
stratia Teoremei 1.11, rezulta:
Z1
ity itx
1 e e
F (x) = lim lim 2 it ' (t) dt (8) x 2 CF . (2)
y! 1 c!1
y2CF 1
6
Z1
ity itz
F (x) = lim lim lim 1
z!x y! 1 c!1 2
e
it
e
' (t) dt (8) x 2
= CF (3)
z2CF y2C
F 1
Trecnd la limita dupa z ! x, z 2 CF n (3), si tinnd seama de (2), putem
scrie:
Z1
1 e ity e itx
F (x) = lim lim 2 it ' (t) dt (8) x 2 R. (4)
y! 1 c!1
y2CF 1
De aici rezulta ca F este continua pe R.Demonstram ca F este derivabila pe
R.Astfel, din Teorema de inversiune, pentru orice x 2 R si h > 0,
Z1 Z1
F (x+h) F (x) 1 e itx e it(x+h) 1 1 e ith
h = 2 h it ' (t) dt = 2 ith e itx ' (t) dt
1 1
(5)
th
1 e ith sin 1 e ith
Avem: lim ith = lim th
2
cos th
2 i sin th
2 = 1
si ith e itx ' (t)
h!0 h!0 2
' (t).Putem trece la limita n (5) aplicnd Teorema de convergenta dominata si
rezulta:
Z1
0 1
Fd (x) = 2 e itx ' (t) dt (6).
1
La fel obtinem Fs0 (x).
Z1
1 itx
Pentru x 2 R punem p (x) = 2 e ' (t) dt .
1
Z1
1
jp (x)j 2 j' (t)j dt < 1, deci p este marginita.Cum F 0 = p, rezulta F
1
Zx
absolut continua si din teorema de reprezentare, avem F (x) = p (t) dt (8)
1
x 2 R.rezulta ca p este densitatea de probabilitate a repartitiei .
Pentru a arata ca p este continua, e h > 0.Putem scrie:
Z1 Z1
1 it(x+h) itx 1 itx ith
jp (x + h) p ((x))j = 2 e e j' (t)j dt = 2 e e 1 j' (t)j dt
1 1
Z1
1 ith
2 e 1 j' (t)j dt. (7)
1
ith ith
Avem e 1 ! 0 si e 1 j' (t)j < j' (t)j, deci putem trece la
h!0
limita cnd h ! 0 n (7), si rezulta:
jp (x + h) p (x)j ! 0.
h!0
[1.13].Teorema (Paul Levy).Fie (fn )n 1 un sir de variabile aleatoare,
('n )n 1 sirul functiilor caracteristice si f o variabila aleatoare cu functia car-
acteristica '.
7
r
(a)Daca fn ! f , atunci 'n (t) ! ' (t) (8) t 2 R, convergenta ind
n!1
uniforma pe orice interval compact.
(b)Reciproc, daca 'n (t) ! ' (t) uniform pe orice interval compact, atunci
n!1
r
fn ! f .
Demonstratie:
(a)Fie n , repartitiile variabilelor fn , f ; n 1.Fie t 2 R si gt (x) =
eitx .Re gt (x) = sin tx si Im gt (x) = sin tx sunt functii marginite pe R si cum
r
fn ! f , avem M n [Re gt ] ! M [Re gt ] si M n [Im gt ] ! M [Im gt ].Din
n!1 n!1
liniaritate, obtinem M n [gt ] ! M [gt ].
n!1
Pentru a demonstra convergenta uniforma pe multimi compacte, e T >
0.Aratam ca lim sup M n [gt ] M [gt ] = 0.Pentru acesta, presupunem
n!1 t2[ T;T ]
ca pentru un "0 > 0 exista un sir (tn )n 1 [ T; T ] astfel nct M n

[gtn ] M [gtn ] >
"0 (1).Putem presupune ca tn ! t0 , t0 2 [ T; T ].Avem:
n!1
M n
[gtn ] M [gtn ] M n
[gtn ] M n
[gt0 ] +jM [gtn ] M [gt0 ]j+ M n
[gt0 ] M [gt0 ]
(2).
Avem, nsa Re gtn ! Re gt0 si Im gtn ! Im gt0 uniform, deci
n!1 n!1
"0
M n
[jgtn gt0 j] sup jgtn gt0 j 3 (8) n N1 ("0 ).
x2[ T;T ]
Apoi, aplicnd Teorema convergentei dominate sirurilor de variabile aleatoare
reale (Re gtn )n 1 si (Im gtn )n 1 obtinem:
M n [jgtn gt0 j] "30 (8) n N2 ("0 ).
r
Din convergenta fn ! f rezulta ca avem si:
M n [gt0 ] M [gt0 ] (8) n N3 ("0 ).
(b)Presupunem ca 'n (t) ! ' (t) uniform, pe orice interval [ T; T ].Fie
n!1
(Fn )n 1 sirul functiilor de repartitie, F functia de repartitie a variabilei f
s\
i e x 2 R.Notam CFn multimea punctelor de continuitate a lui Fn si C =
CFn .Din Teorema de unicitate,
n 1
ZT
ity itz
Fn (x) = lim lim lim 1
z!x y! 1 T !1 2
e
it
e
'n (t) dt. (3)
z2C y2C
T
Trecem la limita cnd n ! 1 n (3) si tinem seama ca pentru orice z 2 C
ZT
1 e ity e itz
limita lim lim 2 it ' (t) dt exista si este egala cu F (z) si apoi
y! 1 T !1
y2C T
limita z!x
lim F (z) exista si este egala cu F (x).
z2C
S-a obtinut ca lim Fn (x) = F (x).
n!1
Urmatorul rezultat este fundamental pentru echivalenta dintre convergenta
n repartitie si convergenta sirului functiilor caracteristice.
[1.14].Teorema (Teorema de convergen ta a func tiilor caracteris-
tice).Fie (fn )n 1 un sir de variabile aleatoare, ('n )n 1 sirul functiilor carac-
8
teristice.Daca pentru orice t 2 R exista limita ' (t) = lim 'n (t) si ' (t) este
n!1
continua n 0, atunci exista o variabila aleatoare f , denita pe un cmp de
probabilitate dat, astfel nct
r
fn ! f si ' (t) = 'f (t).
[1.15].Teorema (Teorema de continuitate Levy-Cramer n R).Fie
(fn )n 1 un sir de variabile aleatoare, ('n )n 1 sirul functiilor caracteristice si f
o variabila aleatoare cu functia caracteristica '.Atunci,
r
fn ! f daca si numai daca 'n (t) ! ' (t) (8) t 2 R.
n!1
Demonstratie:
r
Implicatia fn ! f implica 'n (t) ! ' (t) (8) t 2 R este parte a Teoremei
n!1
Paul Levy.
Reciproc, daca 'n (t) ! ' (t) (8) t 2 R, cum ' este continua n 0 (conform
n!1
1.5), din Teorema de convergenta exista o variabila aleatoare g pe acelasi cmp
r
de probabilitate ca si f astfel nct fn ! g si ' = 'g .Din Teorema de unicitate
r
1.11 avem egalitatea functiilor de repartitie Fg = Ff , deci fn ! f .
2.Functiile carcteristice ale reparti tiilor fundamentale

Sunt determinate functiile caracteristice ale repartitiilor denite n Modulul
IV.
Pentru repartitiile discrete folosim reprezentarea din 1.3.2.
[2.1].Func tia caracteristica a reparti tiei Dirac n punctul a
'"a (t) = eita , t 2 R.
[2.2].Func tia caractertistica a reparti tiei uniforme pe f1; 2; :::; ng
1 eitn 1 it
n eit 1 e , dac
a t =
6 0
'un (t) =
1, daca t = 0
Demonstratie:
X n
Avem 'un (t) = n1 eitk , care este suma partiala a seriei geometrice cu
k=1
ratia eit .
[2.3].Func tiei Bernoulli de parametru p
tia caracteristica a reparti
'Bp (t) = peit + q q = 1 p, t 2 R.
Demonstratie:
'Bp (t) = (1 p) eit 0 + peit .
[2.4].Func tiei binomiale de parametri n
si p
n
'bn;p (t) = peit + q q = 1 p, t 2 R.
Demonstratie:
Xn
k n
'bn;p (t) = Cnk peit q n k = peit + q .
k=0
[2.5].Func
tiei Poisson de parametru
it
' (t) = e (e 1) , t 2 R.
Demonstratie:
[2.6].Func tiei geometrice de parametru p
tia carcteristica a reparti
9
it
'Gp (t) = 1 peqeit q=1 p, t 2 R.
Demonstratie:
X1 1
X
k 1 itk p k
'Gp (t) = p (1 p) e = 1 p (1 p) eit .
k=1 k=1
Cum (1 p) eit = j1 pj < 1, seria geometrica este convergenta si avem
1
X n
k [(1 p)eit ] 1
(1 p) eit = (1 p) eit lim (1 p)eit 1 .
n!1
k=1
Pentru determinarea functiilor de repartitie ale repartitiilor continue, folosim

reparezentarea din 1.3.3.
.
[2.7].Funct(ia caracteristica a reparti tiei uniforme pe [a; b]
1 eitb eita
, daca t 6= 0
'U (t) = b a it .
a;b 1, daca t = 0
Demonstratie:
Pentru t 6= 0 avem:
Zb
1 1 eitx 1 eitb eita
'U = b a eitx dx = b a it jba = b a it .
a;b
a
[2.8].Func tiei normale de parametri m si
t2 2
'N (m; ) (t) = eitm 2 , t 2 R.
Demonstratie:
Consideram nti cazul variabilei normale standard, pentru care avem:
Z1
x2
'N (0;1) (t) = p12 eitx e 2 dx.Prin derivare n raport cu t, posibila dda-
1
x2 x2 x2
itx
torita inegalitatii ixe 2 jxj e 2 (8) t 2 R si a faptului ca jxj e 2 este
integrabila, obtinem:
Z1
x2
'0N (0;1) (t) = p1 ixeitx 2 dx (1).
2
1
n (2) putem scrie:
Z1 Z1
1 x2 x2 x2
0
'N (0;1) (t) = p2 i (it x) e itx 2 dx+t p12 eitx 2 dx = p1
2
ieitx 2 j11
1 1
Z1
x2
+t p12 eitx 2 dx.
1
x2 x2
Cum eitx 2 =e 2 ! 0, rezulta ca 'N (0;1) satisface ecuatia difer-
jxj!!1
entiala:
'0 (t) = t' (t) (2)
10
t2
Solutia generala a ecuatiei (2) este ' (t) = C e 2 , C 2 R si cum 'N (0;1) (0) =
1, rezulta C = 1.
t2
Avem, deci 'N (0;1) (t) = e 2 , t 2 R.
Fie Z variabila redusa asociata lui f .Din 1.5 (e) avem:
t2
'f (t) = 'm+ Z (t) = eitm 'Z ( t) = eitm e 2 , t 2 R.
[2.9].Functia caracteristica a repartitiei exponentiale de parametru
.
'e (t) = it , t 2 R.
Demonstratie:
Z1
e(it )x
'e (t) = eitx e x dx = it j1
0 .Avem e
(it )x
= eitx e x
=
0
x 1
e ! 0, deci'e (t) = it .
x!1
[2.10].Func
tiei Gamma de parametri si
' ; (t) = it , t 2 R.
Demonstratie:
Demonstram formula de mai sus pentru valorile naturale ale parametrului
> 0, adica aratam ca
n
' n; (t) = it , t 2 R (1)
(i)Pentru n = 1, 1; = e si din 2.9 avem ' 1; (t) = it .
Presupunem ca (1) este adevarata pentru 1 n si aratam ca avem ' n+1;
(t) =
n+1
it .
Z1
1 n+1
Astfel, ' n+1;
(t) = (n+1) eitx xn e x
dx si integrnd prin parti,
0
Z1
n+1 x n
1 ne itx 1
' n+1;
(t) = (n+1) x e j1
0 + (n) eitx xn 1
e x
dx+
0
Z1
it 1 n+1
(n+1) eitx xn e x
dx =' n;
(t) + it ' n+1;
(t).(S-a tinut seama ca
0
x jxjn
xn e eitx = e x n!1
! 0.Obtinem:
it
' n+1;
(t) 1 = ' n;
(t), deci ' n+1;
(t) = it ' n;
(t) = it
n
it .
[2.11].Func tiei "hi patrat" cu n grade de
si parametru a
libertate
n
2
1
' 2a (n) = 1 2ia 2t , t 2 R.
Demonstratie:
2 n 1
a (n) = 2 ; 2a2
si folosim 2.10.
11
[2.12].Func
tiei Cauchy de parametri si
'C ; (t) = e jtj+i t , t 2 R.

Demonstratie:
Consideram nti cazul = 1, = 0.
Z1 Z1 Z1
1 itx 1 1 1 1
'C1;0 (t) = e 1+x2 dx = cos tx 1+x2 dx (avem sin tx 1+x 2 dx
1 1 1
= 0, integrandul ind functie impara).
=x sin tx jxj
Derivnd n raport cu t (derivarea ind posibila deoarece 1+x2 1+x2
jxj
si 1+x2este integrabila), pentru t > 0 obtinem:
Z1
0 1 =x sin tx
'C1;0 (t) = 1+x2 dx (1).
1
Z1 Z1 Z1
sin tx sin tx sin y
Cum x dx =2 x dx =2 y dy =2 2 (integrala Dirichlet),
1 0 0
(1) se poate scrie:
Z1 Z1 Z1
1 =x sin tx 1 sin tx 1 1 sin tx
'0C1;0 (t) + 1 = 1+x2 dx + x dx = 1+x2 x dx (2)
1 1 1
Derivnd n raport cu t n (2):
Z1
'00C1;0 (t) = 1 1
1+x2 cos txdx = 'C1;0 (t).
1
Rezulta ca 'C1;0 (t) este solutia ecuatiei diferentiale:
'00 (t) = ' (t), cu ' (0) = 1 si j' (t)j 1. (3)
Solutia generala a acestei ecuatii ind ' (t) = C1 et + C2 e t , obtinem:
'C1;0 (t) = e t , pentru t > 0 si
'C1;0 (t) = e jtj , t 2 R.
3.Teorema limita centrala

Datorita frecventei mari de apartitie a legii normale n modelele teoretice
ale fenomenelor aleatoare, conditiile n care un sir de variabile aleatoare con-
verge n repartitie catre o variabila normala au constituit un obiect important
al cercetarii matematice.Criteriul lui Lindeberg si Feller este unul dintre rezul-
tatele fundamentale n aceasta problema, cunoscuta ca problema asimptotica
centrala.
Vom considera siruri (fk )k 1 , fk : ( ; K; P ) ! (R; BR ) variabile aleatoare

independente, cu D2 [fk ] = 2k 0 < 2k < 1.Notam mk = M [fk ] k 1,
(n) 2 2 2 2 (n) S (n) m(n)
S = f1 + f2 + + fn , (n) = 1 + 2 + + n, Z = (n)
, n 1:
[3.1].Teorema limita centrala (Lindeberg-Levy).
12
Daca f1 , f2 , ..., fn ; :::sunt identic repartizate, cu mk = m si D2 [fk ] = 2
k 1, atunci sirul Z (n) n 1 converge n repartitie catre o variabila repartizata
normal, N (0; 1).
Demonstratie:
Xn
Z (n) = f1 +f2 + p+f n
n nm
= fkp m
n
.Fie Zk = fk m .Avem M [Zk ] = 0,
k=1
n
X
1 p1
D2 [Zk ] = 2 D2 [fk m] = 1 si Z (n) = n
Zk .
k=1
Cum f1 , f2 , ..., fn ; ::: sunt independente si identic repartizate rezulta ca Z1 ,
Z2 , ..., Zn , ... sunt independente si identic repartizate.Din 1.6 avem:
n
Y Yn h in
'Z (n) (t) = ' p1 Zk (t) = 'Zk p1n t = 'Z1 p1n t (1).
n
k=1 k=1
2
M2 [Zk ] = D [Zk ] = 1 si din 1.7 si 1.8 este posibila dezvoltarea:
2
'Z1 p1n t = 1 + pitn M1 [Z1 ] + (it)
2n M2 [Z1 ] + R2
pt ; 0 ,
n
p1 t t2 pt ; 0 pt ; 0 t (1)
pt ; 0
'Z1 n
=1 2n + R2 n
(2), cu R2 n
= n R2 n
,
(1) (1)
R2 continua, cu lim R pt ; 0 = 0.
n!1 2 n
Din (1) rezulta: h in
t2
lim 'Z (n) (t) = lim 1 2n + R2 ptn ; 0 . (3)
n!1 h n!1 i t2
t2 t t2
Cum lim n 2n + R2 pn ; 0 = 2 , se obtine lim 'Z (n) (t) = e 2 ,
n!1 n!1
t 2 R.
r
Din Teorema de continuitate Levy-Cramer avem ca Z (n) ! Z.
[3.1.1].Remarca:
Tinnd
seama de 4.2. V si de faptul ca functia de repartitie a repartitiei
normale este continua, convergenta din Teorema Lindeberg-Levy se scrie:
Zx
S (n) m(n) 1 t2
lim P <x = 2 p e 2 dt (8) x 2 R.
n!!1 (n)
1
De aici se obtine aproximarea:
x2 m(n) x1 m(n)
P x1 < S (n) < x2 h (n) (n)
pentru n mare,
unde este functia lui Laplace.
Urmatorul rezultat este un caz particular al Teoremei Lindeberg-Levy, pen-
tru variabilele aleatoare care urmeaza o repartitie Bernoulli.
[3.2].Teorema (Moivre-Laplace).Daca f1 , f2 , ..., fn ; :::urmeaza o repar-
titie Bernoulli de parametru p, atunci Z (n) converge n repartitie catre o vari-
abila repartizata N (0; 1) :
Demonstratie:
Avem M [fk ] = p, D2 [fk ] = p (1 p) < 1 si p (1 p) > 0.
Se aplica Teorema 4.1 si se obtine convergenta n repartitie
p2 + +fn np r! Z, Z s N (0; 1), (1)
f1 +f
np(1 p)
care se mai scrie:
13
f1 +f2 + +fn
p r
q n
np(1 p)
! Z, Z s N (0; 1). (2)
n
Tinnd
seama ca n;p = f1 +f2 + +fn este o variabila repartizata binomial
bn;p , avem M n;p = np si D2 n;p = np (1 p) rezulta:
n;p M [ n;p ] r
p 2 ! Z, Z s N (0; 1). (3).
D [ n;p ]
p
n
[3.2.1].Remarca:
Din 4.1.1. rezulta ca pentru f1 , f2 , ..., fn ; :::cu o repartitie Bernoulli de
parametru p si a, b 2 R, avem aproximarea:
P (a < f1 + f2 + + fn < b) h pb np pa np
cnd n
np(1 p) np(1 p)
este mare.
Teorema 4.1 este un caz particular al Teoremei 3.3, aceasta ind o formulare
a Teoremei limita centrale Lindeberg - Feller.
[3.3].Teorema (teorema limita centrala Lindeberg - Feller).Urmatoarele
Xn h i
2
(a) lim 21 M jfk mk j 1(jfk mk j>" (n) ) = 0 (8) " > 0.
n!1 (n)
k=1
(n)
m(n)
(b) S (n)
converge n repartitie catre o variabila Z, Z s N (0; 1) si
2
lim max 2
k
= 0 (conditia Feller).
n!1 1 k n (n)
[3.4].Corolar.Daca f1 , f2 , ..., fn ; :::sunt uniform marginite si lim (n) =

n!1
1, atunci sirul Z(n) n 1 converge n repartitie catre o variabila Z, Z s N (0; 1).
Demonstratie:
Aratam ca este vericata conditia (a) din Teorema 3.3.
Avem (n) > A n N (A), A un numar real pozitiv.Din uniform marginire,
jfk m h k j M (8) k 1 si aplicndi inegalitatea h lui Cebsev, avem:
i
2
M jfk mk j 1(jfk mk j>" (n) ) M M 1(jfk mk j>" (n) ) = M 2 P jfk
2
mk j > " (n)
2
2 2
M P (jfk
mk j > "A) M "2 A2
k
= 0, (8) n N (A).
Xn h i
2
nsumnd, rezulta 21 M jfk mk j 1(jfk mk j>" (n) ) M2 1
"2 A2 (8)
(n)
k=1
n N (A).
[3.5].Teorema (Leapunov).Daca exista > 0 astfel nct :
Xn h i
1 2+
lim 2+ M jfk mk j = 0,
n!1 (n)
k=1
atunci Z(n) n 1 converge n repartitie catre o variabila Z, Z s N (0; 1).
Demonstratie:
Pentru " > 0 avem:
n
X h i n
X h 2+
i
2
1
2 M jfk mk j 1(jfk mk j>" (n) ) = 21 M (f(fk k mmk k) ) 1(jfk mk j>" (n) )
(n) (n)
k=1 k=1
14
" #
n
X h i n
X h i
1 1 2+ 1 1 2+
2 " M jfk mk j 1(jfk mk j>" ) " 2+ M jfk mk j !
(n) (n) (n)
(n) n!1
k=1 k=1
0.

[4.1].Fie f1 , f2 , ..., fn variabile reale independente.
Xn
(a)Daca fj s "aj j = 1; n, atunci fj s "X
n .
j=1 aj
j=1
n
X
(b)Daca fj s bnj ;p j = 1; n atunci fj s bX
n .
j=1 nj ;p
j=1
n
X
(c)Daca fj s j
j = 1; n atunci fj s X
n .
j=1 j
j=1
0 v 1
n n uX
X X u n
(d)Daca fj s N (mj ; j) j = 1; n atunci fj s N @ mj ; t 2 A.
j
j=1 j=1 j=1
0 1
n
X Xn
(e)Daca fj s ( j; ) j = 1; n atunci fj s @ j;
A.
j=1 j=1
n
X
n particular, daca fj s e j = 1; n atunci fj s (n; ).
j=1
0 1
n
X n
X
n particular, daca fj s 2
a (nj ) j = 1; n atunci fj s 2
a
@ n j A.
j=1 j=1
n
X
(f)Daca fj s C j; j j = 1; n atunci fj s CX
n X
n .
j=1 j; j
j=1 j=1
Rezolvare:
Aplicam Propozitia 1.6.pentru functiile caracteristice ale sumelor de variabile
aleatoare independente si Teorema de unicitate 1.11.
n
Y
(a)Avem 'fj (t) = eitaj t 2 R, j = 1; n .Din 1.6 'X n (t) = 'fj (t) =
fj j=1
j=1
X
n
n it aj n
Y X
eitaj = e j=1
si din 1.11 rezulta fj s "X
n .
j=1 j=1 aj
j=1
15
nj
(b)Avem 'fj (t) = peit + q q = 1 p, j = 1; n.Din 1.6 'X
n (t) =
fj
j=1
X
n
n n nj n
Y Y nj X
'fj (t) = peit + q = peit + q j=1
si din 1.11 rezulta fj s
j=1 j=1 j=1
bX
n .
nj;p
j=1
n
Y
it
(c)Avem 'fj (t) = e j (e 1)
, t 2 R, j = 1; n.Din 1.6 'X
n (t) = 'fj (t) =
fj j=1
j=1
0 1
X
n
n @ jA (eit 1) n
Y it X
e (e j 1)
=e j=1
si din 1.11 rezulta fj s X
n .
j=1 j=1 j
j=1
Analog pentru (d) (e) (f).

[4.2].Determinam repartitia unei variabile aleatoare a carei functie caracter-
istica este:
(a)' (t) = e jtj+it
(b)' (t) = cos t
Rezolvare:
Z1 Z0 Z1 Z1
jtj jtj
(a)Avem j' (t)j = e si e dt = e dt + e dt = 2 e t dt =
t t
1 1 0 0
2 (1) = 2:
Din Teorema 1.12 rezulta ca F este absolut continua si densitatea ei de
Z1
1
repartitie este p (x) = 2 e itx e jtj+it dt (1).
1
n (1) scriem:
Z0 Z1 Z1
1 itx t+it 1 itx t+it 1
p (x) = 2 e e dt + 2 e e dt = 2 et[i(x 1) 1]
dt+
1 0 0
Z1
1 1 et[i(x 1) 1] 1 et[i(1 x) 1]
2 et[i(1 x) 1]
dt = 2 [i(x 1) 1] j1
0 +2 [i(1 x) 1] j1
0 .
0
et[i(x 1) 1] e t e t et[i(1 x) 1] e t
Avem [i(x 1) 1] ji(x 1) 1j =p ! 0, [i(1 x) 1] ji(1 x) 1j =
(x 1)2 +1 t!1
p e t
! 0.
(1 x)2 +1 t!1
Obtinem: h i
p (x) = 21 i(x 1
1) 1 + 1
i(1 x) 1 = 1 1
(x 1)2 +1
, x 2 R.
16
Z1 Z1 Z1
(b)Integrala jcos tj dt este divergenta (avem jcos tj dt = 2 jcos tj dt
1 1 0
Z1 Zy
2 cos tdt si nu exista limita functiei cos tdt cnd y ! 1).Prin urmare,
0 0
nu este aplicabila Teorema1.12.
it it
Avem, nsa cos t = e +e 2 si din aceasta reprezentare rezulta ca ' (t) = cos t
1 1
este functia caracteristica a variabilei aleatoare discrete 1 1 .
2 2
[4.3].Fie T timpul de functionare nentrerupta a unui dispozitiv ntre doua
defectari succesive, care urmeaza o repartitie e , cu = 1000 1 .
Stiind ca s-au luat n considerare primii 200 de timpi de functionare, cal-
culam, folosind aproximarea normala, probabilitatea ca timpul de functionare
sa depaseasca 201 000 ore.
Rezolvare:
Fie Ti variabila aleatoare care reprezinta durata de functionare ntre de-
fectarile i si (i + 1), i = 0, 1, 2, ..., 99.
T1 , T2 , ..., T200 sunt variabile aleatoare independente, cu aceeasi repartitie
e , = 1000 1 .
Avem M [Ti ] = 1000, D2 [Ti ] = 10002 i = 0, 1, 2, ..., 99.
Din Teorema Lindeberg-Levy,
T1 +T2 + r
p +Tn n 1000 ! Z, Z s N (0; 1).
10002 n
Tinnd
seama de Remarca 3.1.1, obtinem aproximarea
P (T1 + T2 + + T200 > 201 000) = P T1 +T2 + 10000
+T200
p 200 1000 > 201000=200000
2
p
10000 2
h
P (Z > 0; 07) = 1 (0; 07) = 1 0; 5279 = 0; 4721.
[4.4].Un sistem electronic este alcatuit dintr-un numar mare de microcompo-
nente c1 , c2 , ..., cS , care se asociaza sistemului ecare printr-o legatura.Numarul
minim de componente care asigura functionarea este N .Presupunem ca iesirile
din functiune ale acestora se produc independent, cu probabilitatea p 2 (0; 1),
prin desfacerea legaturii.
(a)Determinam numarul n de componente care trebuie instalate astfel nct
sistemul sa functioneze cu probabilitatea .
(b)Determinam probabilitatea ca sistemul sa functioneze cu mai mult de r
legaturi desfacute.
Rezolvare:
0 1
Fie Bk : variabila Bernoulli care se asociaza evenimentului :
1 p p
"componenta cu numarul k iese din functiune" 1 k S:
Numarul microcomponentelor care ies din functiune, dintr-un numar de n
instalate este reprezentat de variabila binomiala
n;p = B1 + B2 + + Bn , n;p s bn;p .
NXn n j
Avem = P n;p n N = Cnj pj (1 p) (1).
j=0
17
Din Teorema Moivre-Laplace,
p2 + +Bn n p r! Z, Z s N (0; 1)
B1 +B
np(1 p)
si pentru probabilitatea din (1) avem aproximarea
np (n N ) np (n N ) np
P n;p n N =P p n;p p = p .
np(1 p) np(1 p) np(1 p)
(n N ) np
Rezulta ca putem lua p = u , u - cuantila de ordinul a repartitiei
np(1 p)
N (0; 1).
(b)Din 3.2.1 se obtine:
(n N ) np
P r< n;p <n N = p pr np
.
np(1 p) np(1 p)
5.Teme de control
[5.1].Sa se demonstreze armatiile din (d) (e) si (f) din Propozitia 2.13.
[5.2].Probabilitatea obtinerii unui rebut n productia unei serii de piese ale
unei masini automate este p = 0; 003.Sa se determine probabilitatea ca din 10
000 de piese obtinute n acelasi mod, numarul pieselor rebut sa e:
(a) ntre 50 si 70.
(b) cel mul 200.
( f o variabila aleatoare continua cu densitatea de repartitie
[5.3].Fie
1
1 jxj ; jxj 4
p (x)= 4 4 .
0; jxj > 4
Sa se determine functia caracteristica a variabilei f .
[5.4].Fie (Xn )n 1 un sir de variabile aleatoare independente si identic repar-
tizate.Fie m = M [X1 ] si ' functia caracteristica a lui X1 :Fie Sn = X1 + X2 +
::: + Xn :
(a)Sa se determine functia caracteristica 'n a variabilei aleatoare Yn = Snn
m.
(b)Sa se arate ca 'n ! 1.
n!1
(c)Sa se interpreteze convergenta de la (b), tinnd seama de teoremele de
convergenta a functiilor caracteristice.
[5.5].Fie f o variabila aleatoare cu densitatea de probabilitate p (x) continua
pe R si cu functia caracteristica 'f si e g o variabila aleatoare repartizata
uniform pe [0; 1].
(a)Sa se determine densitatea de repartitie q (x) a variabileih = f g si sa se
arate ca functia ei caracteristica este 'f g (t) = M 'f (tg) t 2 R:
(b)Sa se calculeze q n ecare din cazurile:
i.variabila f este repartizata uniform pe [0; 1].
ii.variabila f este repartizata gamma de parametri p si 1.
18
MODULUL VII
1.Metoda selec tiei

2.Func tia de reparti tie de selec tie
3.Caracteristici de selec tie
4.Selec tii din popula tii normale
6.Teme de control
1.Metoda selec tiei
n studiul calitativ al fenomenelor de masa, pe care le interpreteaza ca
fenomene probabile, statistica opereaza cu conceptele fundamentale de colec-
tivitate statistica si de caracteristica statistica.
Colectivitatea statistica, ca subiect al cercetarii statistice, desemneaza to-
talitatea elementelor de aceeasi natura, care sunt supuse studiului statistic.Ea
reprezinta forma sub care se delimiteaza fenomenul de masa, care face obiec-
tul cercetarii.O multime de elemente formeaza o colectivitate statistica daca
au aceeasi esenta calitativa, sunt omogeni din punct de vedere al unui anumit
criteriu.
Caracteristica statistica reprezinta nsu sirea, proprietatea, trasatura comuna
unitatilor statistice, relativ la care se face studiul statistic.n cele ce urmeaza
vom considera doar caracteristici cantitative, cu valori reale.
Metodele statisticii matematice, fundamentate pe Teoria probabilitatilor,
asociaza colectivitatii statistice si caracteristicii satatistice urmatoarele deter-
minari n modelul matematic asociat fenomenului.
[1.1].Deni tie.Se numeste colectivitate statistica sau populatie statistica o
multime , mpreuna cu un corp borelian K al lui , si cu o probabilitate P pe
spatiul masurabil ( ; K), adica un cmp de probabilitate ( ; K; P ).
Un element ! 2 este o unitate statistica, sau un individ.
[1.2].Deni tie.Se numeste caracteristica statistica, sau variabila statistica,
sau variabila caracteristica o variabila aleatoare
X : ( ; K; P ) ! (R; B (R)).
Deoarece modelele matematice ale fenomenelor aleatoare de masa, care apar
cel mai frecvent n studiul statistic contin populatii asupra carora nu se poate
face obsevarea totala, acestea ind innite, sau continnd un numar mare de
indivizi, cercetarea statistica foloseste ca metoda de baza metoda selectiei sau a
e
santioanelor.Aceasta consta n separarea prin experimentul aleator din schema
lui Bernoulli a unei parti nite din populatie si determinarea pe baza valo-
rilor individuale ale caracteristicii obtinute prin sondaj a valorilor caracteristice
generale ale populatiei, date cantitative fundamentale n studiul calitativ al
colectivitatii.
[1.3].Deni tie.Fie X : ( ; K; P ) ! (R; B (R))o caracteristica statistica pe
populatia ( ; K; P ).
(a)Un sistem X1 ; X2 ; :::; Xn de variabile aleatoare pe ( ; K; P ), indepen-
dente, cu aceeasi repartitie ca X se numeste selectie aleatoare de volum n asupra
caracteristicii X.
1
Variabilele Xk , k=1, 2 , ..., n se numesc variabile de selectie.
(b)Un sistem x1 ; x2 ; :::; xn de valori reale se numeste selectie realizata de
volum n asupra valorilor caracteristicii, daca xk sunt respectiv valorile vari-
abilelor de selectie Xk , k=1, 2, ..., n pentru un ! 2 .
Valorile xk , k=1, 2, , ..., n se numesc valori de selectie.
Vectorul (x1 ; x2 ; :::; xn ) se numeste valoare de observatie.
Repartitia unit atilor populatiei dupa variabila caracteristica, legea tendintei
comportamentului fenomenului aleator de masa, studiul variatiei valorilor indi-
viduale fata de tendinta centrala, care se manifesta la nivelul populatiei, testarea
parametrilor legii de probabilitate a variabilei statistice, vericarea ipotezelor
statistice, se fac utiliznd functii de valori de observatii, numite statistici.
[1.4].Deni tie.Fie S Rn spatiul valorilor de observatie asociat caracter-
isticii X : ( ; K; P ) ! (R; B (R)) si B (S) corpul borelian minimal al lui S, care
contine familia
M = fI (n) \ S j I (n) = I1 I2 In g
Ik = (ak ; bk ) sau [ak ; bk ] sau [ak ; bk ) sau (ak ; bk ] ; k = 1; n.
Numim statistica o functie
t : (S; B (S)) ! (R; B (R)) astfel nct t 1 (A) 2 B (S), (8) A 2 B (R).
Pentru a surprinde variabilitatea relativ la spatiul ( ; K; P ), care mode-
leaza populatia statistica, cum pentru o valoare de obsevatie (x1 ; x2 ; :::; xn ) =
(X1 ; X2 ; :::; Xn ) (!), t (x1 ; x2 ; :::; xn ) = t((X1 ; X2 ; :::; Xn ) (!)) , vom numi nca
statistica obtinuta prin selectia aleatoare
X1 ; X2 ; :::; Xn functia T (X1 ; X2 ; :::; Xn ) = t (X1 ; X2 ; :::; Xn ).
2.Func tia de reparti tie de selec tie
Fie X : ( ; K; P ) ! (R; B (R)) o caracteristica statistica.Functia de repar-
titie a lui X este bine aproximata de functia de repartitie de selectie, denita cu
familia de statistici (hx )x2R , hx (x1 ; x2 ; :::; xn ) = cardfxni jxi <xg .
[2.1]Deni tie
Fie X1 ; X2 ; :::; Xn o selectie aleatoare de volum n asupra caracteristicii X :
( ; K; P ) ! (R; B (R)).
Se numeste functie de repartitie de selectie de volum n functia
Fn (x; !) : R ! R,
Fn (x; !) = cardfxni jxi <xg ,
unde (x1 ; x2 ; :::; xn ) = (X1 ; X2 ; :::; Xn ) (!).
Fn (x; !) reprezinta frecventa relativa de aparitie a evenimentului (X < x)
n n probe independente.
[2.2]Propozi tie
Fie F functia de repartitie teoretica a caracteristicii X.
Pentru un x 2 R, functia de repartitie de selectie este o variabila aleatoare
pe ( ; K; P ), care ia valorile 0; n1 ; n2 ; :::; nn 1 ; 1 cu probabilitatile:
k n k
P ! 2 j Fn (x; !) = nk = Cnk [F (x)] [1 F (x)]
si are valoarea medie F (x).
Demonstratie
Pentru k 2 N si k n,
2
S
f! 2 j card fXi (!) j Xi (!) < xg = kg = M i1
Mij =( 1;x)sauMij =R
cardfij jMij =( 1;x)g
M in .
Cum variabilele de selectie sunt independente, cu aceeasi repartitie ca X,
evenimentele Ei = (f! 2 j X1 (!)g < x) sunt independente, cu aceeasi prob-
abilitate de aparitie P (Ei ) = P (X < x).
Avem ca S
! 2 j Fn (x; !) = nk = (Ei1 \ ::: \ Ein )\ Ej1 \ ::: \ Ejn k
.
1 i1 <i2 <:::<ik n
1 j1 <j2 <:::<jn k n
Asadar, Fn (x; ) urmeaza o lege de repartitie de tip binomiala de parametri
n si F (x) si
k n k
P ! 2 j Fn (x; !) = nk = Cnk [F (x)] [1 F (x)] .
Mai departe,
Pn
k k k n k Pn
(n 1)! k k n k
M [Fn (x; )] = n Cn [F (x)] [1 F (x)] = (k 1)!(n k)! Cn [F (x)] [1 F (x)]
k=0 k=1
nP1
k (n 1) k (n 1)
= F (x) Cnk 1 [F (x)] [1 F (x)] = F (x) [F (x) + (1 F (x))] =
k=0
F (x).
[2.3].Observa tie.Pentru o selectie realizata x1 ; x2 ; :::; xn n ! 2 , cu or-
donarea valorilor
8 distincte xj1 < xj2 < < xjr . avem:
>
> 0; x x1
>
>
>
> 1 ; x1 < x x2
>
>
>
> 1 + 2 ; x2 < x x3
<
Fn (x; !) = ,
>
>
>
>
>
>
>
>
>
> 1+ 2+ + rn 1 ; xrn 1 < x xrn
:
1; x > xrn
n
unde i este frecventa relativa de aparitie a valorii xi , adica i = nxi , nxi
ind numarul de aparitii ale valorii xi n selectie, i = 1; rn .
Pk
Valorile i , k = 1; rn 1 se numesc frecvente relative cumulate crescator.
i=1
[2.4]Propozi tie.Functia Fn (x; !) de repartitie de selectie are proprietatile:
(a)Este nedescrescatoare n x.
(b)Este continua la stnga n x.
Cercetarea statistica asupra functiei de repartitie a variabilei teoretice X pre-
supune studiul comportamentului asimptotic cnd n ! 1 al sirului de variabile
aleatoare (Fn (x; ))n 1 si determinarea valorilor asimptotice.
Conform Teoremei lui Bernoulli, frecventa relativa de aparitie a unui eveni-
ment de probabilitate p 2 (0; 1) tinde la p, cnd n ! 1.
Aceasta este motivatia teoretica, exprimata prin Legea numerelor mari a
folosirii modelelor probabilistice n cercetarea statistica si a aplicarii rezultatelor
din Teoria Probabilitatilor n cadrul metodei selectiei.
3
[2.5]Teorema.Pentru ecare x 2 R, sirul de variabile aleatoare (Fn (x; ))n 1
converge aproape sigur la F (x).
[2.6]Teorema lui Glivenko.Fie (Fn (x; !))n 1 sirul functiilor de repartitie
de selectie de volum n, asociate selectiei aleatoare X1 ; X2 ; :::; Xn si F functia de
repartitie teoretica a variabilei caracteristice.Atunci,
sup jFn (x; !) F (x)j ! 0, P - aproape sigur.
x2R n!1
3.Caracteristici de selec tie

X1 ; X2 ; :::; Xn o selectie aleatoare asupra variabilei statistice X pe populatia
( ; K; P ).
Statisticile cele mai importante sunt momentele de selectie.
[3.1]Deni tie.(a)Se numeste moment initial de selectie de ordin p 1 sta-
tistica
P
n
Mp;n [X] = n1 Xip
i=1
1
P
n
n particular, M1;n [X] = n Xi este media de selectie, si se noteaza Xn
i=1
(b)Se numeste moment absolut de selectie de ordin p 1 statistica
Pn
p
Mp;n [X] = n1 jXi j .
i=1i
(c)Se numeste moment centrat de selectie de ordin p 1 statistica
P
n p
Dp;n = n1 Xi X n .
i=1
1
P
n 2
n particular, Dp;n = n Xi Xn este dispersia de selectie, si se noteaza
i=1
Sn2 .
Statisticas2n = nn 1 Sn2 se numeste dispersia modicata de selectie.
[3.2].Propozi tie.Fie mp , mp , p momentul, momentul absolut, respectiv
momentul centrat de ordin p 1 al variabilei statistice X.n particular, e
m = m1 , 2 = 2 .
Momentele de selectie obtinute prin selectia aleatoare X1 ; X2 ; :::; Xn au pro-
prietatile:
(a)M Mp;n [X] = mp
n particular, M X n = m.
(b)D2 Mp;n [X] = n1 m2p m2p
2
n particular, D2 X n = n .
(c)M Mp;n [X] = mp .
(d)M S;n 2
= nn 1 2
2
(e)D2 Sn2 = (nn31) 4 (n 1)(n n3
3) 4
.
Demonstratie:
Tinnd
seama de independenta variabilelor de selectie X1 ; X2 ; :::; Xn si de
faptul ca ele au aceeasi repartitie ca X, avem:
Pn Pn
(a)M Mp;n [X] = n1 M [Xip ] = n1 M [X p ] = M [X p ] = mp .
i=1 i=1
4
P
n P
n h i
p
(b)D2 Mp;n [X] = 1
n2 D2 [Xip ] = 1
n2 M Xi2p (M [Xi ]) =
i=1 i=1
1
P
n
p 1
n M X 2p (M [X]) = n m2p m2p .
i=1
1
P
n
p 1
P
n
p
(c)M Mp;n [X] = n M [jXi j ] = n M [jXj ] = mp .
i=1 i=1
(d)nti,
2
Sn2 = M2;n [X] M1;n [X] .
ntr-adevar,
P
n 2 P
n P
n 2
Sn2 = n1 Xi2 2Xi X n + X n = 1
n Xi2 2X n 1
n Xi + Xn =
i=1 i=1 i=1
1
P
n 2
n Xi2 X n.
i=1
P
n 2 P
n h 2i P
n
1 1 1
Atunci, M Sn2 = M n Xi2 Xn = n M Xi2 M Xn = n M Xi2
i=1 i=1 i=1
1
P
n
n2 M Xi2
i=1
1
P 1 1
P
n
1 n(n 1)
n2 2 M [Xi ] M [Xj ] = n n2 M Xi2 n2 2 2 (M [X])2 =
1 i;j n i=1
i6=j
n 1 n 1 2 n 1
n M X2 n (M [X]) = n
2
.
1
P
n
2
[3.3]Corolar.Pentru statistica s2n = n 1 (Xi Xn ) , avem:
i=1
(a)M s2n = h
2
i
(b)D2 s2n = n1 4 nn 31 4
Demonstratie
Se considera relatia s2n = nn 1 Sn2 .
4.Selectii din popula tii normale

n cele ce urmeaza consideram o variabila statistica X pe ( ; K; P ), ce
urmeaza o repartitie normala de parametri m si si X1 ; X2 ; :::; Xn o selectie
aleatoare asupra lui X.
[4.1]Propozi tie.Daca a1 ; a2 ; :::; an 2 R, statistica W = a1 X1 + s
a2 X2 +
Pn P
n
+ an Xn este o variabila aleatoare normala, de parametri aj si a2j .
j=1 i=1
[4.2].Teorema.Fie X n media de selectie asociata selectiei aleatoare.
Atunci, X n are o repartitie normala, de parametri m si pn .
Demonstratie:
Se aplica Propozitia 1, pentru a1 = a2 = ::: = an = n1 .
[4.3].Corolar.
Variabila redusa X np m are o repartitie normala N (0; 1)
n
5
[4.4].Teorema.Fie X n si Sn2 media de selectie, respectiv dispersia de se-
lectie pentru selectia aleatoare X1 ; X2 ; :::; Xn asupra caracteristicii X reparti-
zata N (0; 1).
Atunci,
p statisticile
Un = nX n si Vn = nSn2
sunt variabile aleatoare independente si Un este repartizata N (0; 1), iar Vn
este repartizata 2n 1 .
p
nX n
[4.5].Corolar.Statistica tn = qUVn = p 2
are o repartitie Student cu
n sn
n 1
(n 1) grade de libertate.
Demonstratie:
Tinem
seama ca Un s N (0; 1) si Vn s 2n 1 .
[4.6].Corolar.Daca X n si Sn2 sunt media de selectie, respectiv dispersia de
selectie pentru selectia aleatoare X1 ; X2 ; :::; Xn asupra caracteristicii X repar-
tizata N (m; ), atunci statistica
p
n(X n m)
.tn = p2
sn
are o repartitie Student cu (n 1) grade de libertate.
Demonstratie:
p Xn m
n 1 p
Xn m n
tn = p n
S
n
2
si tinem seama ca p
s N (0; 1), iar 2 Sn2 s 2
n 1 si
2 n n
X n , Sn2 sunt independente.

[4.7].Corolar.Daca Sn2 este dispersia de selectie pentru selectia aleatoare
X1 ; X2 ; :::; Xn asupra caracteristicii X repartizata N (m; ), atunci pentru un
volum mare al selectiei, statistica
Vn M [Vn ]
Zn = p ,
D(Vn )
2
nSn
unde Vn = 2 , este repartizata normal N (0; 1).
Demonstratie:
Vn s 2n 1 , deci Zn are o repartitie normala N (0; 1) cnd n este mare.
Urmatoarele rezultate privesc repartitiile unor statistici construite cu selectii
din doua populatii normale, de parametri diferiti si independente.
[4.8]Propozi tie.Fie fX11 ; X12 ; :::; X1n1 g si fX21 ; X22 ; :::; X2n2 g selectii aleatoare
din doua populatii cu caracteristici repartizate N (m1 ; 1 ), respectiv N (m2 ; 2 )
si independente.
Daca X n1 , X n2 sunt mediile de selectie, atunci variabila aleatoare
Yn = a1 Xn1 + a2 Xn2
q 2 2
a1 1 a22 22
are o repartitie normala N m1 a1 + m2 a2 ; n1 + n 2 .
Demonstratie:
Din Teorema 2, X n1 s N m1 ; pn11 si X n2 s N m2 ; pn22 , deci a1 X1 +
r
2 2
a a
a2 X2 are o repartitie normala, de parametri a1 m1 +a2 m2 si p1 1
n1 + p2 2
n2 .
6
q 2 2
[4.9].Corolar.Variabila aleatoare Y1 = X n1 X n2 are o repartitie N m1 m2 ; 1
n1 + 2
n2
X n1 X (m1 m2 )
si variabila aleatoare Y2 = rn2 are o repartitie N (0; 1).
2 2
1 + n2
n1 2
Demonstratie:
Repartitia variabilei Y1 rezulta din Propozitia 10, pentru a1 = 1; a2 = 1,
iar variabila Y2 este variabila normala redusa asociata lui Y1 .
[4.10].Propozi tie.Fie fX11 ; X12 ; :::; X1n1 g si fX21 ; X22 ; :::; X2n2 g selectii
aleatoare din doua populatii cu caracteristici repartizate N (m1 ; ), respectiv
N (m2 ; ) si independente.
Daca X n1 , X n2 sunt mediile de selectie, si Sn2 1 , Sn2 2 sunt dispersiile de se-
lectie, atunci statistica q
X n1 X n2 (m1 m2 ) n1 n2
T = r
2 +n S 2 n1 +n2
n1 Sn1 2 n2
n1 +n2 2
are o repartitie Student cu (n1 + n2 2).

Demonstratie:
p Xn
1
Xn
2
(m1 m2 )
(n1 +n2 2) r
n1 +n2
n1 n2
T = r
2 2
.
n1 S1 n2 S2
2 + 2
X n1 X n2 (m1 m2 )
Din Corolarul 9, W = q
n1 +n2
s N (0; 1), iar din Teorema 4,
n1 n2
n1 S12 2 n2 S22 2
V n1 = 2 s n1 1
si Vn2 = 2 s n2 1
.Cum Sn2 1 , Sn2 2 sunt independente,
n1 S12 n2 S22
2 + 2 s 2n1 +n2 2 .Vn1 si W sunt independente, la fel si Vn1 si W , deci
Vn1 + Vn2 si W sunt independente.Rezulta ca T s t(n1 +n2 2) .
[4.11].Propozi tie.Fie fX11 ; X12 ; :::; X1n1 g si fX21 ; X22 ; :::; X2n2 g selectii
aleatoare din doua populatii cu caracteristici repartizate N (m1 ; 1 ), respectiv
N (m2 ; 2 ) si independente.
Daca Sn2 1 , Sn2 2 sunt dispersiile de selectie, atunci statistica:
n S2 n S2
F = (n1 1 1)1 2 : (n2 2 1)2 2
1 2
are o repartitie Fisher cu (n1 1; n2 1) grade de libertate.
n S2 n S2
Din teorema 4, Vn1 = 1 2 1 s 2n1 1 si Vn2 = 2 2 2 s 2n2 1 .Cum Vn1 ; Vn2
sunt independente,
Vn
1
n1 1
Vn
2
s F (n1 1; n2 1).
n2 1

[5.1].Daca se presupune ca repartitia numarului unor produse rebut ntr-o
productie de serie este normala cu = 20, cte produse trebuie sa e veri-
cate astfel nct cu probabilitatea 0,99 media numarului de rebuturi obtinuta
prin selectie sa difere de media teoretica n valoare absoluta cu mai putin de o
unitate?
Rezolvare:
P X n m < 1 = 0; 99
De aici,
7
p p
n Xn m n
P 1 < Xn m<1 =P 20 < 20
p
< 20 = 0; 99 (1).
n
Xn m
Cum Zn = 20
p
s N (0; 1), relatia (1) este echivalenta cu
n
p p p p
n n n n
FZ n 20 FZn 20= 0; 99, adica 2 20 1 = 0; 99, 20 =
p p
n
0; 995 si 20 = u0;995 = 0; 24, n = 4; 8, n t 23.
[5.2].Greutatea unui produs de tipul T1 este o variabila aleatoare normala
N (80; 40), iar greutatea unui produs de tipul T2 este o variabila aleatoare nor-
mala N (78; 180).Se extrage o selectie de volum n=400 din produsele de tipul
T1 si o selectie de volum n=200 din produsele de tipul T2 .Determinam:
(a) probabilitatea ca media primei selectii sa e mai mare dect media celei
de a doua selectii cu 12 .
(b) probabilitatea ca diferenta mediilor celor doua selectii n valoare absoluta
sa e mai mica ca 3,6.
Rezolvare:
(a)Z400;200 = X 400 p X 200 (m1 m2 )
40 180
s N (0; 1),
400 + 200
si avem Z400;200 = X 400 X 200 2 s N (0; 1).

Rezulta ca
P X 400 X 200 > 0; 5 = P X 400 X 200 2 > 0; 5 = 1 P X 400 X 200 2 0; 5 =
1 FZ400;200 (2; 5) = 1 (2; 5) = 0; 01:
(b)Putem scrie:
P X 400 X 200 < 3; 6 = P 3; 6 < X 400 X 200 < 3; 6 =
P 1; 6 < X 400 X 200 2 < 1; 6 = P ( 1; 6 < Z400;200 < 1; 6) =
FZ400;200 (1; 6) FZ400;200 ( 1; 6) = 2 (1; 6) 1 = 2 0; 94 1 = 1; 88 1 =
0; 88.
[5.3].Dintr-o populatie oarecare s-a extras o selectie de volum n=50, care
prin masurare a dat rezultatele:
xj 2 5 7 10
P
4
nj 16 12 8 14 nj = 50
i=i
unde ni reprezinta frecventa absoluta de aparitie a valorii xi n selectie
(a)Calculam media de selectie realizata si dispersia de selectie realizata.
(b)Daca X1 ; X2 ; :::; X50 este o selectie aleatoare asupra variabilei caracter-
istice, cu dispersia 2 = 4, determinam o margine inferioara a probabilitatii
P X 50 m < 2 .
Astfel,
(a) daca xj , j = 1; 2; 3; 4 sunt valorile distincte de selectie,
1
P
50
1
P4
1
x50 = 50 xi = 50 nj xj = 50 (2 16 + 5 12 + 7 8 + 10 14) = 5; 76.
i=1 j=1
1
P
50
2 1
P4
2
d2;50 = (xi x) = 50
50 nj (xj x) =
i=1 j=1
h i
1 2 2 2 2
50 16 (2 5; 76) + 12 (5 2; 76) + 8 (7 5; 76) + 14 (10 5; 76) =
1
50 497; 12 = 9; 94.
8
(b)Cum M X n = m, aplicnd Inegalitatea lui Cebsev,
D 2 [X 50 ]
P X 50 m 2 22
2
si cum D2 X 50 = 50 ,
P X 50 m < 2 = 1 P X 50 m 2 1 212 50 4
= 49
50 .
Organizam calculele astfel:
2 2
nj xj xj x (xj x) nj (xj x)
16 2 3; 76 14; 1376 226; 20
12 5 0; 76 0; 5776 6; 93
8 7 1; 24 1; 5376 12; 30
14
X 10 4; 24 17; 9776 251; 69
1
n= nj x = 5; 76 d2 = 50 497; 12 = 9; 94
[5.4].Se controleaza greutatea unor pachete si pentru aceasta se extrage o

selectie de volum n = 10, care da urmatoarele valori:
pachetul 1 2 3 4 5 6 7 8 9 10
greutatea n kg 21; 5 21; 6 21; 75 22 22; 45 22; 6 23; 2 23; 4 23; 5 23; 65
(a)Sa se scrie functia empirica de selectie F10 (x) si sa se calculeze F10 (20),
F10 (22), F10 (23)
(b)Sa se calculeze media de selectie realizata.
Rezolvare: 8
< 0, daca x x1
k
(a)Fn (x) = , dac a x k < x xk+1 , k = 1; n 1
: n
1, daca x > xn
x1 ; x2 ; :::; x8n ind valorile de selectie realizate, n ordine crescatoare.
>
> 0, x 21; 5
>
> 1
>
> 10 , 21; 5 < x 21; 6
>
> 2
>
> 10 , 21; 6 < x 21; 75
>
> 3
>
> 10 , 21; 75 < x 22
>
> 4
< 10 , 22 < x 22; 45
5
F10 (x) = 10 , 22; 45 < x 22; 6 .
>
> 6
> 10
> , 22; 6 < x 23; 2
>
> 7
>
> 10 , 23; 2 < x 23; 4
>
> 8
>
> 10 , 23; 4 < x 23; 5
>
> 9
>
> , 23; 5 < x 23; 65
: 10
1; x > 23; 65
Xn
(b)xn = n1 xi = 10 1
(21; 5 + 21; 6 + 21; 75 + 22 + 22; 45 + 22; 6 + 23; 2 + 23; 4 + 21; 5 + 23; 65)
i=1
225;65
= 100 = 2; 2265
6.Teme de control
[6.1].Se face o selectie de volum 12 si se obtin n urma masuratorilor valorile:
31,5; 31,6; 31,7; 32,2; 32,4; 32,5; 32,5; 32,6; 32,6; 32,7; 32,5; 32,6.
(a)Sa se calculeze F12 (31), F12 (31; 6), F12 (40), F12 ind functia de selectie
empirica.
9
(b)Sa se calculeze media de selectie si dispersia de selectie realizata.
[6.2].Dintr-o populatie normala cu media m = 12 se face o selectie de volum
n=16.Probabilitatea ca media de selectie sa depaseasca 14 este 0,24.
Care este probabilitatea ca o singura valoare realizata a selectiei sa e mai
mare ca 14?
[6.3].Rezultatele a 5 masuratori ale unui aparat (fara erori sistematice) sunt:
x1 = 92, x2 = 94, x3 = 103, x4 = 105, x5 = 106:
Sa se determine:
(a)media de selectie
(b)dispersia de selectie.
[6.4].Sa se determine repartitia mediei de selectie din populatiile:
(a)Normala N (m; )
(b)Gamma ( ; )
(c)Poisson
(d)Binomiala bn;p :
[6.5].Caracteristica unei populatii este o variabila continua cu densitatea de
probabilitate
1+a
p (x; x0 ; a) = xa0 xx0 x0 x < 1, x0 si a sunt constante.
Sa se determine:
(a)valoarea medie a mediei de selectie.
(b)dispersia mediei de selectie.
10
MODULUL VIII
1.Estima tii punctuale

Estima tii nedeplasate si estima tii deplasate
Estima tii consistente
2.Estimarea parametrilor reparti tiilor statistice prin metoda mo-
mentelor
3.Estimarea parametrilor reparti tor statistice prin metoda verosimilita tii
maxime
4.Estimarea prin intervale de ncredere
6.Teme de control
1.Estima tii punctuale
Spunem ca repartitia teoretica, a variabilei caracteristice este specicata daca
forma ei functionala este exprimata prin legea F (x; 1 ; 2 ; :::; n ), cu 1 ; 2 ; :::; n
parametri necunoscuti, ale caror valori adevarate sunt n spatiile parametrilor,
1 ; 2 ; :::; n (submul timi ale dreptei reale).
Spunem ca repartitia teoretica este complet specicata daca ea este expri-
mata prin legea F (x; 1 ; 2 ; :::; n ), cu 1 ; 2 ; :::; n parametri cunoscuti.
n cazul unei repartitii specicate, cercetarea statistica relativa la deter-
minarea parametrilor necunoscuti foloseste statistici, ca functii de selectie H (X1 ; X2 ; :::; Xn )
ale caror valori n selectii realizate se aproprie cel mai mult de vie alorile
adevarate ale parametrilor.
Metoda prin care se evalueaza parametrii necunoscuti ai unei legi de prob-
abilitate se numeste estimarea parametrilor, iar statisticile cu care opereaza se
numesc estimatii ale parametrului necunoscut.
Fie X : ( ; K; P ) ! (R; B (R)) o variabila statistica si un parametru ne-
cunoscut al legii de probabilitate.
[1.1].Deni tie.Spunem ca statistica Tn (X1 ; X2 ; :::; Xn ) este o estimatie (un
estimator) pentru parametrul daca pentru orice alta statistica Tn (X1 ; X2 ; :::; Xn )
avem:
P( k1 < Tn < + k2 ) P ( k1 < Tn < + k2 ), (8) k1 ; k2 2 (0; k).
Alegerea intervalului (0; k) se face prin consideratii asupra frecventei esti-
matorului n jurul valorii adevarate a parametrului si asupra valorii medii a
abaterii jTn j.
[1.2].Deni tie.Spunem ca estimatia Tn (X1 ; X2 ; :::; Xn ) a parametrului
este nedeplasata, daca pentru volum n ala selectiei Tn are medie nita si M [Tn ] =
.
Spunem ca estimatia Tn (X1 ; X2 ; :::; Xn ) este deplasata daca ea nu este nede-
plasata.
Diferenta Bn = M (Tn ) se numeste deplasarea estimatiei.
Rezulta ca Tn este nedeplasata daca Bn = 0.
Daca Bn > 0, spunem ca este pozitiv deplasata si daca Bn < 0, spunem ca
este negativ deplasata.
[1.2.1].Exemplu:
1
(a)Momentele de selectie initiale de selectie de ordin p, sunt estimatii nede-
plasate ale momentelor teoretice mp si momentele absolute de selectie sunt es-
timatii nedeplasate ale momentelor teoretice mp .
(b)Frecventa relativa de aparitie a unui eveniment de probabilitate p n n
probe independente este o estimatie nedeplasata a parametrului p.
(c)Dispersia modicata de selectie este o estimatie nedeplasata a dispersiei
teoretice.
Demonstratie:
(a)Rezulta din Propozitia 3.2 VII
(b)Fie A un eveniment cu P (A) = p si fn (A) frecventa relativa de aparitie
a lui A n n probe independente.
(c)Avem ca fn (A) = X n , X n ind media de selectie obtinuta printr-o se-
lectie X1 ; X2 ; :::; Xn asupra variabilei aleatoare Bernoulli asociata evenimentului
0 1
A, X : , si M [X] = p
1 p p
M s2n = nn 1 M Sn2 = nn 1 nn 1 2 = 2 .
[1.3].Deni tie.(a)Spunem ca sirul de estimatori (Tn )n 1 ai parametrului
este asimptotic corect, daca lim M (Tn ) = .
n!1
(b)Spunem ca sirul de estimatori ai parametrului este absolut corect daca
M (Tn ) = si lim D2 (Tn ) = 0:
n!1
Sirul momentelor initiale de selectie de ordin p 1 este sir de esti-
[1.3.1].
matori absolut corect pentru momentul teoretic de acelasi ordin, mp :
Demonstratie:
Din Propozitia3.2.VII
M Mp;n [X] = mp si D2 Mp;n [X] = n1 m2p m2p ! 0.
n!1
Fie X : ( ; K; P ) ! (R; B (R)) o variabila caracteristica, X1 ; X2 ; :::; Xn o
selectiei aleatoare asupra lui X si T1 (X1 ), T2 (X1 ; X2 ), :::, Tn (X1 ; X2 ; :::; Xn ),
... un sir de estimatori ai parametrului al legii de probabilitate a caracteristicii.
[1.4].Deni tie.Daca (Tn )n 1 este convergent n probabilitate la , spunem
ca el este sir consistent de estimatori.
Limita n probabilitate asigura ca, asimptotic, repartitiile estimatorilor Tn
se concentreaza din ce n ce pe f g.
Pentru un volum N al selectiei sucient de mare, eroarea estimatiei TN
se situeaza n intervalul ( "; ") cu o probabilitate orict de mare, ceea ce n
planul empiric nseamna ca realizarea estimatiei Tn n intervalul ( "; + ")
este evenimentul care apropie frecventa maxima de aparitie.
P (TN 2 ( "; + ")) 2 (1 ; 1 + ), mic.
[1.4.2].Deni Sirul de estimatori (Tn )n 1 este consistent n medie patratica
tie.
daca
M [jTn j] ! 0.
n!1
[1.4.3].Teorema.Daca sirul de estimatori (Tn )n 1 este consistent n medie
patratica, atunci el este consistent simplu.
Demonstratie:
2
Rezulta din Inegalitatea lui Cebsev
2
P (jTn j ") D "[T 2
n]
,
prin trecere la limita pentru n ! 1.
Reciproc, daca n plus, sirul de estimatori este uniform marginit P - aproape
sigur, atunci consistenta simpla a lui implica consistenta n medie patratica.
[1.4.4].Teorema.Daca sunt vericate conditiile:
(a) pentru orice " > 0, lim P (jTn j ") = 0
n!1
(b) pentru orice n 1, P (jTn j k) = 1,
atunci
2
M jTn j = 0.
[1.4.5].Teorema.Daca sunt vericate conditiile:
(a) lim M [Tn ] = (adica (Tn )n 1 este sir de estimatori asimptotic corect
n!1
pentru )
(b) lim D2 [Tn ] = 0,
n!1
atunci h i
2
lim M (Tn ) = 0 si, deci, lim P (jTn j ") = 0.
n!1 n!1
n particular, un sir de estimatori absolut corect pentru parametrul este
un sir de estimatori consistent pentru .
Demonstratie:
Se htine seamai ca pentru orice n 1 este adevarata egalitatea:
2 2
M (Tn ) = (M [Tn ] ) + D2 [Tn ].
[1.4.6].Exemplu:
(a)Sirul momentelor initiale de selectie de ordin p 1 este sir de estimatori
consistent pentru momentul teoretic de acelasi ordin, mp :
(b) Sirul (Sn2 )n 1 al dispersiilor de selectie este sir de estimatii consistent al
dispersiei teoretice.
Demonstratie
Folosind proprietatile momentelor de selectie din Propozitia 3.2 VII, avem:
2
M Sn2 = nn 1 2 ! 0 si D2 Sn2 = (nn31) 4 (n 1)(n n3
3) 4
.
n!1
2.Estimarea parametrilor reparti tiilor statistice prin metoda mo-
mentelor
Sunt frecvente cazurile n care legea caracteristicii X se exprima cu parametrii
care sunt momente teoretice ale repartitiei.Pentru estimarea acestor parametrii
se propun drept estimatori momentele de selectie de acelasi ordin.
Presupunem ca variabila statistica are legea de probabilitate p (x; 1 ; :::; k )
cu 1 ; :::; k parametri necunoscuti si ca momentele teoretice mp de ordin 1
p k sunt nite.Fie Mp;n [X] momentele de selectie de ordin p.
Metoda momentelor de determinare a estimatiilor parametrilor 1 ; :::; k
consta n studiul independentei functionale a sistemului 2.1 si determinarea n
aceasta situatie a solutiei (^1 M1;n [X] ; :::; Mk;n [X] ; :::; ^k M1;n [X] ; :::; Mk;n [X] ) =
^1 (X1 ; X2 ; :::; Xn ) ; :::; ^k (X1 ; X2 ; :::; Xn ) , care da estimatiile cautate.
3
8
>
> m1 ( 1 ; :::; k ) = M1;n [X]
>
>
>
> m2 ( 1 ; :::; k ) = M2;n [X]
<
[2.1]: .
>
>
>
>
>
>
:
mk ( 1 ; :::; k ) = Mk;n [X]
[2.1.1].Exemplu:
Presupunem ca variabila caracteristica are o repartitie normala N (m; ).
1.Calculam momentele m1 , m2 n functie de parametri m si .
Astfel,
m1 = M [X] = m
m2 = M X 2 = m2 + 2 .
2.Momentele de selectie de ordin p = 1; 2 sunt:
P
n
M1;n [X] = n1 Xk = X n
k=1
1
P
n
M2;n [X] = n Xk2
k=1
3.Sistemul 2.1 se scrie:
8
< m = Xn
Pn
: m + 2 = n1
2
Xk2
k=1
Independenta functionala pentru F1 (m; ) = m, F2 (m; ) = m2 + 2 este
echivalenta cu rang D(F 1 ;F2 )
D(m; ) (m; ) = 2, condi tie realizata deoarece D(F 1 ;F2 )
D(m; ) (m; ) =
1 0
= 2 6= 0 pentru > 0.
2m 2
Rezulta ca
m^ M1;n [X]; M1;n [X] ; ^ M1;n [X]; M1;n [X] = (m
^ (X1 ; X2 ; :::; Xn ) ; ^ (X1 ; X2 ; :::; Xn ))
este unica solutie a sistemului 2.1.
Se obtine :
Pn 2
^ (X1 ; X2 ; :::; Xn ) = X n si ^ 2 (X1 ; X2 ; :::; Xn ) = n1
m Xk2 X n = Sn2 ,
p k=1
^ (X1 ; X2 ; :::; Xn ) = Sn2 .
3.Estimarea parametrilor reparti tiilor statistice prin metoda verosimilita
tii
maxime
Fie p (x; ) legea de probabilitate a caracteristicii X, depinznd de parametrul
, cu domeniul valorilor admisibile .
Daca x1 ; x2 ; :::; xn este o selectie realizata de volum n, atunci
Qn
P (X1 = x1 ; X2 = x2 ; :::; Xn = xn ) = p (xi ; ).
i=1
Este resc sa consideram ca cea mai verosimila valoare a parametrului este
^ (x1 ; x2 ; :::; xn ), pentru care probabilitatea de realizare a valorii (x1 ; x2 ; :::; xn ),
Qn
p xi ; ^ (x1 ; x2 ; :::; xn ) este maxima.
i=1
tie.Functia Pn (x1 ; x2 ; :::; xn ; ) : Rn
[3.1]Deni ! R, denita prin
4
Q
n
Pn (x1 ; x2 ; :::; xn ; ) = p (xi ; )
i=1
se numeste functie de verosimilitate a valorii de selectie (x1 ; x2 ; :::; xn ), atunci
cnd este considerata ca functie de si probabilitatea selectiei, atunci cnd este
considerata ca functie de (x1 ; x2 ; :::; xn ).
[3.2]Deni tie.Estimatia ^ (X1 ; X2 ; :::; Xn ) se numeste estimatie de verosimil-
itate maxima daca ^ (X1 ; X2 ; :::; Xn ) este punct de maxim absolut al functiei de
verosimilitate Pn (X1 ; X2 ; :::; Xn ; ) - P- aproape sigur, adica
Pn X1 ; X2 ; :::; Xn ; ^ (X1 ; X2 ; :::; Xn ) Pn (X1 ; X2 ; :::; Xn ; ) P - aproape
sigur, pentru orice 2 .
Metoda verosimilitatii maxime consta n determinarea unei valori ^ (x1 ; x2 ; :::; xn ) 2
, care sa faca maxima functia de verosimilitate Pn (x1 ; x2 ; :::; xn ; ), sau echiva-
lent, sa faca maxima functia Ln (x1 ; x2 ; :::; xn ; ) = ln Pn (x1 ; x2 ; :::; xn ; ).
Astfel estimatia de maxima verosimilitate este ^ (X1 ; X2 ; :::; Xn ), unde ^ (x1 ; x2 ; :::; xn )
este(solutie a ecuatiei de verosimilitate 3.3, care verica si conditia 3.4.
@Pn (x1 ;x2 ;:::;xn ; )
@ = 0; [3:3]]
@ 2 Pn (x1 ;x2 ;:::;xn ; ) .
@ 2
< 0; [3::4]
sau, echivalent, ^ (x1 ; x2 ; :::; xn ) este solutie a ecuatiei de verosimilitate [3.5],
care(verica si [3.6].
@ ln Pn (x1 ;x2 ;:::;xn ; )
@ = 0; [3:5]]
@ 2 ln Pn (x1 ;x2 ;:::;xn ; ) .
@ 2
< 0; [3:6]
n cazul n care legea de probabilitate depinde de 2 parametri, 1 , 2 , functia
Qn
Pn de verosimilitate este Pn (x1 ; x2 ; :::; xn ; 1 ; 2 ) = p (xi ; 1 ; 2 ) si functia
i=1
P
n
Ln de verosimilitate este Ln (x1 ; x2 ; :::; xn ; 1; 2) = ln p (xi ; 1 ; 2 ), iar es-
i=1
timatiile de verosimilitate maxima ^1 (X1 ; X2 ; :::; Xn ), ^2 (X1 ; X2 ; :::; Xn ) sunt
solutiile sistemului
( de ecuatii de verosimilitate
@ ln Pn (x1 ;x2 ;:::;xn ; 1 ; 2 )
=0
[3.7]: @ ln Pn (x1 ;x@2 ;:::;x
1
n; 1; 2)
@ 1 =0
@ 2 ln Pn
pentru care matricea hesiana @ l@ m = (plm )1 l;m k verica conditi-
1 l;m k
ile:
1 < 0,> 0 [3.8]
2
p11 p12
1 = p11 , 2 = .
p21 p22
[3.9].Ilustrarea metodei
Presupunem ca variabila caracteristica X are o repartitie normala N (m; ).Determinam
estimatiile de verosimilitate maxima pentru parametri m; necunoscuti.
1.Functia de verosimitate este
P
n
1
2 2
(xi m)2
1
Pn (x1 ; x2 ; :::; xn ; m; ) = n
n (2 ) 2
e i=1 , iar
n 1
Pn
2
Ln (x1 ; x2 ; :::; xn ; m; ) = n ln 2 ln (2 ) 2 2 (xi m) .
i=1
5
2.Ecua
( tiile de verosimilitate sunt:
@ ln Pn (x1 ;x2 ;:::;xn ;m; )
=0
: @ ln Pn (x1 ;x@m
2 ;:::;xn ;m; )
, adica
=0
8 @
> Pn
>
< 1
2 (xi m) : = 0
i=1 .
> Pn
2
>
:
n
+ 13 (xi m) = 0
i=1
Acestea dau solutiile:
2
P
n P
n P
n
m
^ (x1 ; x2 ; :::; xn ) = 1
n xi , ^ 2 (x1 ; x2 ; :::; xn ) = 1
n xi 1
n xi .
i=1 i=1 i=1
3.Matrice
2
hesiana este: !
@ ln Pn (x1 ;x2 ;:::;xn ;m; ) @ 2 ln Pn (x1 ;x2 ;:::;xn ;m; )
@m2 @m@ jm=m
@ 2 ln Pn (x1 ;x2 ;:::;xn ;m; ) @ 2 ln Pn (x1 ;x2 ;:::;xn ;m; ) ^=
=^
0 @ @m @ 2 1
n 2
Pn
B 2 3 (xi m) C n
B i=1 C jm=m ^2
0
@ 2
P
n
n 3
P
n
2 A =^^ = 0 2n , deci
3 (xi m) 2 4 (xi m) ^2
i=1 i=1
n 2n2
1 = ^2
< 0, 2 = ^4
> 0.
Obtinem estimatiile:
Pn 2
m^ (X1 ; X2 ; :::; Xn ) = X n , ^ 2 (X1 ; X2 ; :::; Xn ) = 12 Xi X n =
p i=1
Sn2 , ^ (X1 ; X2 ; :::; Xn ) = Sn2 , ca estimatii de maxima verosimilitate pentru
m; 2 ; necunoscuti.
4.Estimarea prin intervale de ncredere
Metoda selectiei nu evita distorsiunile de apreciere a parametrilor, dar ofera
posibilitatea dimensionarii erorilor de apreciere cu siguranta specicata, n sen-
sul ca se pot determina intervale probabile n care se plaseaza valorile adevarate
ale parametrilor, numite intervale de ncredere.
Fie X1 ; X2 ; :::; Xn o selectie aleatoare asupra variabilei statistice X : ( ; K; P ) !
(R; B (R)) cu legea de repartitie specicata, depinznd de parametrul .
[4.1].Deni tie.Fie 2 (0; 1) si e (X1 ; X2 ; :::; Xn ) si (X1 ; X2 ; :::; Xn )
statistici astfel nct
P (X1 ; X2 ; :::; Xn ) (X1 ; X2 ; :::; Xn ) =1 .
Variabila aleatoare (X1 ; X2 ; :::; Xn ) ; (X1 ; X2 ; :::; Xn ) se numeste inter-

val de ncredere (de estimatie) pentru cu nivelul de ncredere (1 ) (sau
pragul, coecientul de ncredere (1 )).
Intervalele de ncredere determinate de conditiile:
P (X1 ; X2 ; :::; Xn ) = 1 , respectiv P (X1 ; X2 ; :::Xn ) =
1
se numesc unilaterale stnga, respectiv dreapta.
6
Statisticile (X1 ; X2 ; :::; Xn ) si (X1 ; X2 ; :::; Xn ) se numesc limita inferioara,
respectiv limita superioara de ncredere pentru , cu nivelul de ncredere 1 .
n 4.2 si 4.3 precizam doua dintre situatiile n care se pot determina intervale
de ncredere pentru parametrul necunoscut .
[4.2].Fie ^ (X1 ; X2 ; :::; Xn ) un estimator pentru , cu repartitia depinznd
de parametru , cu multimea valorilor admisibile .
(a)Daca ^ (X1 ; X2 ; :::; Xn ) are repartitia continua, pentru ecare 2 ex-
ista valorile h1 ( ), h2 ( ) astfel nct P ^ (X1 ; :::; Xn ) < h1 ( ) = 2 , respectiv
P ^ (X1 ; :::; Xn ) < h2 ( ) = 1 2(h1 ( ), h2 ( ) sunt cuantilele de ordin 2 ,
^
respectiv 1 2 ale repartitiei v.a. ), atunci
P h1 ( ) ^ h2 ( ) = P ^ h2 ( ) P ^ < h1 ( ) = 1 2 2 =
1 , adica [h1 ( ) ; h2 ( )] este un interval de ncredere pentru .
(b)Daca are repartitie discreta, atunci se denesc h1 ( ), h2 ( ) ca ind cea
mai mica valoare pentru care P ^ < h1 ( ) = 1 2 , si respectiv cea mai
mare valoare pentru care P ^ h2 ( ) .
[4.3].Presupunem ca exista o functie U = U ^ (X1 ; X2 ; ::; Xn ) ; = U (X1 ; X2 ; ::; Xn ; )
^
de parametrul si de un estimator al acestuia, care satisface conditiile:
(i)este continua si monotona n , pe intervalul al valorilor posibile ale lui
(pentru a face o alegere, presupunem ca U este crescatoare).
(ii)repartitia v.a. U (X1 ; X2 ; ::; Xn ; ) este independenta de .
- Cunoscnd repartitia v.a. U (X1 ; X2 ; ::; Xn ; ), pentru orice nivel de n-
credere (1 ), se pot alege doua valori posibile u1 , u2 pentru U , astfel nct
P (u1 < U (X1 ; X2 ; ::; Xn ; ) < u2 ) = 1 .
- din proprietatile functiei U (X1 ; X2 ; ::; Xn ; ) pe intervalul , rezulta ca ex-
ista = (X1 ; X2 ; ::; Xn ) si = (X1 ; X2 ; ::; Xn ) n astfel nct U X1 ; X2 ; ::; Xn ; =
u1 , si U X1 ; X2 ; ::; Xn ; = u2 , iar inegalitatile u1 < U (X1 ; X2 ; ::; Xn ; ) < u2

sunt echivalente cu (X1 ; X2 ; ::; Xn ) < < (X1 ; X2 ; ::; Xn ).
2 3
Se obtine astfel intervalul de ncredere 4 (X1 ; X2 ; ::; Xn ) ; (X1 ; X2 ; ::; Xn )5
pentru parametrul , cu nivelul de ncredere (1 ).

[4.4].Ilustrarea metodei
Determinam un interval de ncredere pentru dispersia 2 a repartitiei nor-
male.
Astfel,
Fie X1 ; X2 ; :::; Xn o selectie aleatoare asupra variabilei statistice X : ( ; K; P ) !
(R; B (R)), repartizata normal.Consideram functia de selectie si de de para-
metrul 2 ,
7
2 nS 2
X1 ; X2 ; ::; Xn ; 2 = 2n , Sn2 ind dispersia de selectie.
Functia 2 X1 ; X2 ; ::; Xn ; 2 satisface conditiile:
(i) este continua si descrescatoare n raport cu 2 pe (0; 1).
nS 2
(ii)functia ei de repartitie nu depinde de 2 , variabila aleatoare 2n avnd
o repartitie 2(n 1) ( vezi &1.4).
Pentru un nivel de ncredere (1 ) putem determina valorile 21 = 21 (X1 ; X2 ; ::; Xn ),
2 2
2 = 2 (X1 ; X2 ; ::; Xn ) astfel nct
P 21 < 2 X1 ; X2 ; ::; Xn ; 2 < 22 = 1 (1)
din egalitatea
2
R2
p (x) dx = 1 (2),
2
1
p (x) ind densitatea de repertitie a repartitiei 2n 1 .

Tinnd
seama de modul n care sunt construite tabelele pentru valorile
functiei de repartitie a variabilei aleatoare 2(n 1) alegem 21 si 22 prin metoda
cozilor egale, adica astfel nct P 2 X1 ; X2 ; ::; Xn ; 2 < 21 = P 2 X1 ; X2 ; ::; Xn ; 2
> 2
2 =
1 (1 )
2 .
Astfel, 21 este valoarea care realizeaza P 2 X1 ; X2 ; ::; Xn ; 2 < 21 = 2 ,
adica 21 = 2 iar 22 este valoarea care realizeaza P 2 X1 ; X2 ; ::; Xn ; 2 < 22 =
2
1 2 , adica 22 = 21 .
2
2
2 2 nSn (X1 ;X2 ;::;Xn ) 2 2
Pentru = (X1 ; X2 ; ::; Xn ) = 2 si = (X1 ; X2 ; ::; Xn ) =
2
2
nSn (X1 ;X2 ;::;Xn )
2 avem:
1
2 2 2 2 2 2
- X1 ; X2 ; ::; Xn ; = 2 si X1 ; X2 ; ::; Xn ; = 1.
2
2 nSn (X1 ;X2 ;::;Xn ) 2
- evenimentul 1 < 2 < 2 este echivalent cu
2 2
nSn (X1 ;X2 ;::;Xn ) 2 nSn (X1 ;X2 ;::;Xn )
2 < < 2 prin transformarile permise de (i)
2 1
si (ii).
2 2 2
Rezulta ca P (X1 ; X2 ; ::; Xn ) < < (X1 ; X2 ; ::; Xn ) =
2
2 nSn (X1 ;X2 ;::;Xn ) 2
P 1 < 2 <, deci2 =1
h 2 2
i
2 nSn (X1 ;X2 ;::;Xn ) nSn (X1 ;X2 ;::;Xn )
(X1 ; X2 ; ::; Xn ) ; 2 (X1 ; X2 ; ::; Xn ) = 2 ; 2
2 1
2
este interval de ncredere care acopera cu probabilitatea (1 ).

[5.1].Rezultatele a 10 masuratori asupra unei populatii repartizate normal
N (m; ) sunt:
13,2; 13,6; 14,2; 14,7; 15,3; 15,3; 15,4; 15,8; 16,1; 16,4.
Determinam un interval de ncredere pentru
(a) media m
(b) dispersia 2
pe baza selectiei realizate, cu un coecient de ncredere 0,98.
Rezolvare:
8
Media de selectie realizata este x10 = 150
10 = 15
si dispersia modicata de selectie realizata este s210 = 10;08
9 = 1; 12:
(a)Pentru intervalul de ncredere pentru media m cnd este cunoscut
folosim statistica
T = X nps m s tn 1 .
n
Xn m ps ps
Relatiile echivalente P t1 < ps
< t2 = , P t1 n
< Xn m < t2 n
=
n
, P X n t2 psn < m < X n t1 psn = , conduc la intervalul de ncredere

h i
X n t2 psn ; X n t1 psn cu t1 = t1+ 2 , t2 = t1 2 , unde cuantila t1 2 =
t0;99 se regaseste cu valoarea 2,821 n tabelul pentru repartitia Student cu (n-1)
grade de libertate
h si t1 = q
t2 . q i
112 112
Se obtine 15 2; 821 10 ; 15 + 2; 821 10 = [14; 07; 15; 93]
intervalul de ncredere pe baza selectiei realizate, cu coecientul de ncredere
0,98.
(b)
h 2Intervalul de ncredere pentrui 2 heste, asa cum s-a vazut i
2
nSn (X1 ;X2 ;::;Xn ) nSn (X1 ;X2 ;::;Xn ) (n 1)s2n (X1 ;X2 ;::;Xn ) (n 1)s2n (X1 ;X2 ;::;Xn )
2 ; 2 = 2 ; 2 ,
2 1 2 1
2
1 = 2 , 22 = 21 .
2 2
Cuantilele 20;01 si 20;99 se regasesc n tabelul pentru repartitia 2
n 1 .Se
obtine
h i
10;08 10;08
;
21;66 2;08 = [0; 46; 4; 84].
intervalul de ncredere pentru 2 , pe baza selectiei realizate, cu coecientul
de ncredere 0,98.
[5.2].Se dau urmatorii estimatori ai mediei m a unei populatii:
T1 = 3X1 +X2 +:::+X
n
n 1 Xn
, T2 = X1 +X2 +:::+X
n
n 1 +Xn
.
(a)Aratam ca T1 si T2 sunt estimatori nedeplasati ai mediei m.
(b)Studiem daca T1 si T2 sunt absolut corecti si consistenti.
Rezolvare:
(a)M [T1 ] = 31 [3M [X1 ] + M [X2 ] + ::: + M [Xn 1 ] M [Xn ]] =
1
n [3m + (n 2) m m] = m,
deci T1 este nedeplasat.
(b)D2 [T1 ] = D2 X1 +X2n+:::+Xn + 2(X1n Xn ) = D2 X1 +X2n+:::+Xn +D2 2(X1n Xn ) +
4
n2 M X n M X1 X n .
Cum p
2
D2 X n = n ; = D2 [X] (1)
rezult
h a: i
2
D2 2(X1n Xn ) = n42 D2 [X1 Xn ] = n42 M [(X1 m) (Xn m)] =
h i h i
4 2 2
n2 M (X1 m) 2 n42 M [(X1 m)] M [(Xn m)] + M (Xn m) =
4
n2 + n42 2 = n82 2 (2)
2
Din (1), (2) si tinnd seama ca M [X1 Xn ] = 0, obtinem:

2
D2 [T1 ] = n + n82 2 = n+8 n2
2
! 0.
n!1
9
Tinnd
seama de (1) rezulta ca T1 este absolut corect.
Pe de alta parte,
2
D2 [T2 ] = D2 X n = n ! 0:
n!1
Pentru a studia consistenta, scriem:
T1 = X n + 2(X1n Xn ) .
p
Din legea numerelor mari n forma slaba, X n ! M [X].
p p
Rezulta ca T1 ! m; T2 ! m:
[5.3].Productiile din doua asociatii se considera a variabile normale cu
1 = 3 si 2 = 4.
S-au efectuat masuratori pe 36 de produse ale primei asociatii si pe 32 de
produse ale celei de-a doua si s-au obtinut mediile de selectie:
x(1) = 1007 si x(2) = 1002:
determinam un interval de ncredere pentru diferenta mediilor teoretice m1
m2 , coecientul de ncredere in 1 = 0; 95:
Rezolvare:
Consideram statistica:
Z = X1 r X2 (m1 m2 )
2 2
,
1 + n2
n1 2
care conduce la q
intervalul de ncredere q
2 2 2 2
X1 X2 Z n1 + n2 ; X 1
1 2
X2 + Z n1 + n2 =
1 2
h q q i
9
1007 1002 1; 96 36 + 16
32 ; 1007 1002 + 1; 96 9
36 +
16
32 = [4; 31; 6; 69]
unde X 1 , X 2 sunt mediile de selectie obtinute pe baza selectiilor din cele
doua populatii.
6.Teme de control
2
[6.1].O selectie de volum n=45 a dat estimatia deplasata S41 = 5 a dispersiei
2
:
Sa se detrmine o estimatie nedeplasata a dispersiei 2 .
[6.2].Sa se detrmine prin metoda verosimilitatii maxiem parametrul al
repartitiilor:
k
(a)f (x; ) = (1 ) , k=0,1,2,3,... 2 (0; 1)
e x; x 0
(b)f (x; ) = , > 0.
0; x < 0
(1 + ) x ; x 2 (0; 1)
(c)f (x; ) = , > 0.
0; x 2
= (0; 1)
[6.3]Se considera o selectie de volum n extrasa dintr-o populatie caracteri-
zata de variabila X de dispersie nita si pentru care
M [X] = a + b, 2 R, a 6= 0.
Propuneti un estimator nedeplasat pentru si vericati daca este consistent.
[6.4].Sa se determine un interval de ncredere pentru parametrul m al repar-
titiei normale cand este cunoscut.
[6.5]Sa se determine un interval de ncredere pentru parametru m al repar-
titiei normale cnd este necunoscut.
10
[6.6].Sa se determine un interval de ncredere pentru diferenta mediilor a
doua populatii normale.
[6.7].Sa se determine un interval de ncredere pentru raportul dispersiilor a
doua populatii normale.
[6.8].Sa se determine un interval de ncredere pentru parametrul repartitiei
exponentiale.
[6.9].Se stie ca durata de pna la expirarea unui produs alimentar este dis-
tribuita aproximativ normal cu = 50 ore.Pentru o selectie de 15 produse s-a
obtinut durata medie pna la expirare de 9000 ore.Sa se dtermine intervalul de
ncredere pentru media m teoretica, la un coecient 1 = 0; 9:
11
MODULUL IX
1.Tipuri de ipoteze.Riscuri.Puterea unui test

2.Vericarea ipotezelor statistice asupra parametrilor legii normale
4.Probleme propuse
1.Tipuri de ipoteze.Riscuri.Puterea unui test
Unul din subiectele cercetarii statistice este specicarea legii de repartitie a
variabilei statistice, atunci cnd aceasta nu este specicata.Metodele statistice
ale acesteia constau pe de o parte, n elaborarea unor propuneri pentru tipul
de repartitie sau pentru parametrii continuti n legea specicata, iar pe de alta
parte n validarea teoretica a unor presupuneri, opernd asupra rezultatelor
obtinute prin selectie.
Propunerile elaborate pe baza datelor de selectie, folosind statistici, se numesc
ipoteze statistice.
Metodele de vericare a ipotezelor statistice se numesc teste statistice.
O ipoteza statistica se poate referi e la la forma functiei de repartitie a
caracteristicii F (x; 1 ; 2 ; :::; k ) (normala, exponentiala, binomiala, ...), e la
valorile parametrilor 1 , 2 , ..., k sau la semnicatii ale acestora.
Presupunem ca F apartine unei clase F de functii de repartitie (care poate
si multimea tuturor functiilor de repartitie).
Se numeste ipoteza statistica o clasa F0 F, notata H : (F 2 F0 ) :
Daca fF0 ; F1 g este o partitie a lui F, determinata dupa criteriile formei
repartitiei sau ale valorilor parametrilor, sau ale semnicatiilor acestora, si daca
se xeaza ca fundamentala ipoteza H0 : (F 2 F0 ), atunci H0 se va numi ipoteza
nula.
Ipoteza determinata de clasa complementara H1 : (F 2 F1 ) se va numi
ipoteza alternativa.
Astfel, daca Rk este multimea valorilor admisibile ale vaecorului para-
metrilor ( 1 ; 2 ; :::; k ) ale legii specicate F (x; 1 ; 2 ; :::; k ), iar
F0 = fF (x; 1 ; 2 ; :::; k ) j ( 1 ; 2 ; :::; k ) 2 0 g, atunci:
H0 : f( 1 ; 2 ; :::; k ) 2 0 g
H1 : f( 1 ; 2 ; :::; k ) 2 0 g.
Daca 0 contine doar o valoare, H0 se numeste ipoteza simpla, (altfel, H0
este ipoteza compusa).
Consideram variabila statistica X : ( ; K; P ) ! (R; B (R)) si X1 ; X2 ; :::; Xn
o selectie aleatoare asupra lui X.Presupunem ca repartitia caracteristicii este
specicata de functia de repartitie F (x; 1 ; 2 ; :::; k ), cu multimea valorilor
admisibile ale vectorului parametrilor necunoscuti, si 0 .
Un test statistic prin care se verica ipoteza nula H0 , cu alternativa H1 se
construieste cu urmatoarele elemente:
1.O statistica Tn (X1 ; X2 ; :::; Xn ), numita statistica testului.
2.Regiunea critica W a ipotezei H0 corespunzatoare statisticii Tn a testului,
prin raportare la care se decide acceptarea sau respingerea ipotezei H0 .
1
Astfel, W este o multime din B (Rn ), formata din valori Tn (x1 ; x2 ; :::; xn )
ale statisticii, obtinute cu valori de observatie, cu proprietatea:
Tn (x1 ; x2 ; :::; xn ) 2 W =) H0 se respinge.
Regiunea de acceptare CW a ipotezei H0 contine multimea de valori Tn (x1 ; x2 ; :::; xn )
ale statisticii, obtinute cu valori de obsevatie, cu proprietatea:
Tn (x1 ; x2 ; :::; xn ) 2 CW =) H0 se accepta.
3.Eroarea (riscul) de ordinul unu, - admisibila, care cuantica greseala
posibil facuta n luarea deciziei de a respinge ipoteza H0 cnd aceasta este
adevarata.
= P(H0 se respingej H0 este adevarata ), adica
= P (Tn 2 W j H0 )
se mai numeste nivel sau prag de semnicatie.
4.Eroarea (riscul de ordinul doi), care este probabilitatea de a accepta
ipoteza H0 cnd ea este falsa.
= P(H0 se acceptaj H1 este adevarata ), adica
= P (Tn 2 CW j H1 ).
Probabilitatea 1 de a respinge H0 cnd ea este falsa se numeste puterea
testului.
1 = P (Tn 2 W j H1 ).
Cu ct puterea testului este mai mare, cu att ricul de ordinul doi este mai
mic.
[1.1].Deni tie.Fie W = fW 2 B (R) j P (Tn (X1 ; X2 ; :::; Xn ) 2 W j 2 0 ) = g,
2 (0; 1) xat.
Multimea W 2 W se numeste cea mai buna regiune critica pentru ipoteza
H0 : ( 2 0 ) cu alternativa H1 : ( 2 1 ) daca:
P (Tn (X1 ; X2 ; :::; Xn ) 2 W j H1 ) P (Tn (X1 ; X2 ; :::; Xn ) 2 W j H1 )
pentru orice W 2 W .
Testul bazat pe regiunea critica W , cu eroarea xata este testul cu puterea
cea mai mare dintre cele care verica ipoteza H0 cu alternativa H1 si nivelul de
semnicatie xat.
[1.2].Deni tie.Fie T multimea testelor statistice asociate ipotezei nule H0
cu alternativa H1 .
Un test T 2 T se numeste admisibil de nivel pentru ipoteza H0 daca este
cel mai puternic test din T , cu nivelul de semnicatie .
Presupunem ca ipoteza nula H0 si altenativa sunt n ipoteze simple, adic
o a
0 0 0
0 0 0
0 = 0 = ;
1 2 ; :::; k s i 0 = 1 = 1 = ;
1 2 ; :::; k .
Rezultatul urmator arma posibilitatea construirii unui test admisibilde
nivel , n aceasta situatie.
[1.3].Teorema(Neyman-Pearson).Fie f (x; ), x 2 R, 2 f 0 ; 1 g legea
repartitiei caracteristicii aleatoare X continue.
Qn
Fie P (x1 ; x2 ; :::xn ; ) = f (xi ; ) , 2 f 0 ; 1 g functia de verosimilitate a
i=1
selectiei realizate x1 ; x2 ; :::xn .
Exista cel mai puternic teset de nivel pentru ipoteza nula H0 : ( = 0)
contra ipotezei alternative H1 : ( = 1 ).
2
Regiunea critica W si statistica testului sunt determinate de inegalitatea:
P (x1 ; x2 ; :::xn ; 1 ) P (x1 ; x2 ; :::xn ; 0 ),
unde k este o constanta pozitiva, care depinde de pragul xat.
2.Vericarea ipotezelor statistice asupra parametrilor legii normale
[2.1].Testul Z pentru compararea mediei m cu valoarea data m0
cnd 2 este cunoscut.
Se verica ipoteza nula
H0 : (m = m0 )
cu altenativa
H1 : (m = m1 6= m0 )
la nivelul de semnicatie xat.
Avem (1 ) =P(H0 se acceptaj H0 este adevarata ).
Se considera statistica Z = X np m .
n
Regiunea critica a lui H0 este:
W = (jZj > z ( )),
unde z ( ) este determinat de:
P (Z 2 W j H0 ) = , adica
Xn m
P (jZj < z ( ) j H0 ) = 1 sau P p
< z( ) = 1
n
care, considernd valoarea z ( ) din tabelul repartitiei normale standard,
conduce la
W = 1; m0 pn z1 2 [ m0 + pn z1 2 ; 1 .
Deci, daca X n < m0 pn z1 2 sau X n > m0 + pn z1 2 , se respinge H0 cu
riscul e ordinulunu egal cu .
Puterea testului este
1 =P X n < m0 pn z1 2 [ X n > m0 + pn z1 2 j H1 =
X n m1 m0 m1 X n m1 m0 m1
P p
< p
z1 2
[ p
> p
+ z1 2
j H1 =
n n n n
m0 m1 m0 m1
F p
z1 2
+1 F p
+ z1 2
n n
unde F este functia de repartitie a repartitiei normale N (0; 1).
[2.1.1]Remarca:
Acest test Z se numeste test Z bilateral.
Daca H0 : (m = m0 ) si H1 : (m = m1 > m0 ), avem testul unilateral dreapta,
cu regiunea critica W = m0 + pn z1 ; 1 .
Daca H0 : (m = m0 ) si H1 : (m = m1 < m0 ), avem testul unilateral stnga,
cu regiunea critica W = 1; m0 pn z .
[2.2].Testul 2 referitor la dispersia 2

H0 : 2 = 20
cu alternativa
H1 : 2 = 21 6= 20
si cu nivelul de semnicatie xat.
(n 1)s2n
Consideram statistica 2 = 2 .
3
Regiunea critica a lui H0 este
W = 2 > 22 ( ) [ 2 < 21 ( ) ,
unde, 21 ( ) si 22 ( ) sunt determinate de
P 2 2 W j H0 = , adica
P 21 ( ) 2 2
2( ) =1 , sau
2 (n 1)s2n 2
P 1 ( ) 2 2 ( ) =1 ,
2 2 2 2
care considernd valorile 1 = , 2 = 1 , date de metoda cozilor
2 2
egale conduce la
2 2
W = 1; n 01 2 [ n 0
1
2
1 ;1 .
2 2
2 2
Deci, daca s2n < n 1 2 sau s2n > n 01 21
0
se respinge H0 n favoarea lui
2 2
H1 , cu riscul de ordinul unu egal cu .
[2.3].Testul Z pentru mediile m1 ; m2 din popula tiile N (m1 ; 1 )
si
N (m2 ; 2 ) cnd 1 ; 2 sunt cunoscute.
Se verica ipotexa nula
H0 : (m1 = m2 )
cu alternativa
H1 : (m1 6= m2 )
cu nivelul de semnicatie xat.
Consideram selectiile X11 ; X12 ; :::; X1n1 si X21 ; X22 ; :::; X2n2 din populatiile
X n1 X (m1 m2 )
N (m1 ; 1) si N (m2 ; 2) si statistica Z = rn2 , unde X n1 , X n2
2 2
1 + n2
n1 2
sunt mediile de selectie.
Regiunea critica a lui H0 este
W = (jZj > z ( )), cu z ( ) astfel nct
P (Z 2 W j H0 ) = , adica
P (jZj 0 z ( ) j H0 ) = 1 1 0 1
X n1 X n2 X n1 X n2
sau P @ r
2 2
z ( )A = 1 , P @z1 ( ) r
2 2
z2 ( )A,
1 + n2 1 + n2
n1 2 n1 2
care considernd valorile date prin metoda cozilor egale conduce la
q 2 2
q 2 2
W = 1; z1 2 n11 + n22 [ z1 2 n11 + n22 ; 1 .
q 2 2
q 2 2
Deci, daca X n1 X n2 < z1 2 n11 + n22 sau X n1 X n2 > z1 2 n11 + n22 ,
respingem ipoteza H0 n favoarea alternativei H1 , cu roscul de ordinul unu egal
cu .
[2.4].Testul Z privind mediile m1 , m2 ale popula tiilor normale N (m1 ; 1 ),
N (m2 ; 2 ) cnd 21 = 22 = 2 sunt necunoscute
H0 : (m1 = m2 )
cu alternativa
H1 : (m1 6= m2 )
la pragul de semnicatie xat.
4
Consideram selectiile X11 ; X12 ; :::; X1n1 si X21 ; X22 ; :::; X2n2 din populatiile
X 1 X n2 (m1 m2 )
q
n1 n2 2
N (m1 ; 1 ) si N (m2 ; 2 ) si statistica T = nr n S 2 +n S 2 n1 +n2 , unde Sn1 ,
1 n1 2 n2
n1 +n2 2
Sn2 2 sunt dispersiile de selectie.

Regiunea critica pentru H0 este
W = (T < t1 ( )) [ (T > t2 ( ))
unde t1 ( ), t2 ( ) sunt determinate de
P (T 2 W j H0 ) = , adica
P (t1 (0) T t2 ( ) j H0 ) = 1 , 1
X X
q
sau P @t1 ( ) < r n nS12 +nn2S2 n1 n 2
n1 +n2 < t2 ( )
A=1 ,
1 n1 2 n2
n1 +n2 2
care care considernd valorile date prin metoda cozilor egalepentru repar-
titia tn1 +n2 2 conduce la
q 2 +n S 2 q
q 2 +n S 2 q
n1 S n 2 n n1 n2 n1 S n 2 n n1 n 2
W = 1; t1 2 1
n1 +n2 2
2
n1 +n2 [ t 1 2
1
n1 +n2 2
2
n1 +n2 ; 1 .
q 2 +n S 2 q
n1 S n 2 n2 n1 n 2
Daca X n1 X n2 < t1 2 1
n1 +n2 2 n1 +n2 sau
q 2 +n S 2 q
n1 S n 2 n2 n1 n2
X n1 X n2 > t 1 2 1
n1 +n2 2 n1 +n2
se respinge H0 n favoarea lui H1 , cu riscul egal cu .

[3.1].Se emite ipoteza ca aplicarea unei metode noi de lucru scurteaza durata
de lucru efectiv.Pentru vericare se fac cte zece masuratori ale duratei de lucru
prin vechea si prin noua metoda.Se obtin valorile de selectie:
x1 58 58 56 38 70 38 42 75 68 67
.
yi 57 55 63 24 67 43 33 68 56 54
Vericam ipoteza nula H0 : (m1 = m2 ) (duratele medii teoretice sunt egale)
fata de alternativa H1 : m1 > m2 (noul tip scurteaza durara medie), la pragul de
semnicatie = 0; 05, presupunnd ca duratele de lucru X1 ; X2 sunt repartizate
normal, sunt independente, si au dispersiile egale.
Astfel, aplicam testul T unilateral dreapta pentru diferenta mediilor a doua
populatii normale.
Regiunea
q critic a este:
2 +n S 2 q
n1 S n 2 n n1 n2
t1 2 1
n1 +n2 2
2
n1 +n2 ; 1 .
q 2 +n S 2 q
n1 S n 2 n n1 n 2
Daca X n1 X n2 > t1 2 1
n1 +n2 2
2
n1 +n2 , sau echivalent,
X n1 X n2
r
2 +n S 2
n1 Sn q > t1 2
, respingem ipoteza H0 n favoarea alternativei
1 2 n2 n1 n2
n1 +n2 2 n1 +n2
ei H1 , altfel acceptam H0 .
Se obtin valorile realizate:
1
P
10
x(1) = 10 xi = 57:
i=1
5
1
P
10 2
s2(1) = 10 xi x(1) = 149; 76
i=1
1
P
10
x(2) = 10 yi = 52
i=1
1
P10 2
s2(2) = 10 yi y (1) = 169; 38
i=1
x(1) x(2) 57 52
r
n1 S 2+n2 S 2 q
= q
1497;6+1693;8
p1 1
= 0; 85.
(1) (2) n1 n2 10+10 2 10 + 10
n1 +n2 2 n1 +n2
Pe de alta parte, t1 0;025 = 1; 734 si rezulta ca H0 se accepta.

[3.2].Dintr-o populatie normala se face o selectie de volum n=21, care a dat
rezultatele:
xi 10; 1 10; 3 10; 6 11; 2 11; 5 11; 8 12
.
ni 1 3 7 10 6 3 1
Vericam ipoteza H0 : 2 = 20 = 0; 18 fata de alternativa H1 : 2 > 0; 18,
cu = 0; 05:
Rezolvare:
Aplicam Testul 2 cu privire la dispersia 2 .
Pe baza valorilor de selectie realizate, se obtine dispersia de selectie s2n =
0; 27:
n tabel gasim 21 ;30 = 20;95;30 = 43; 7:
Deoarece (n 21) s2n = (31 0;18
1)0;27
= 45 > 20;95;30 , respingem ipoteza H0 .
0
[3.3].Durata de functionare a unui tip de aparat electric poate considerata
o variabila aleatoare rep[artizata normal cu media m = 1500 si dispersia 2 =
2002 .O selectie de volum n=25 da o durata medie de functionare de 1380 ore.
Vericam ipoteza H0 : m = m0 = 1500 fata de alternativa H1 : m = m1 <
1500 cu = 0; 01:
Rezolvare:
Aplicam Testul Z pentru compararea mediei m cu o valoare m0 cnd este
cunoscut.
n tabele gasim Z = Z0;01 = 2; 23.
Pe paza datelor de selectie realizate se obtine:
m0 + pn Z = 1500 200 5 2; 23 = 1406; 80:
Deoarece X n = 1380 < 1406; 80, respingem H0 .
4.Probleme propuse
[4.1].O selectie de volum n=20 dintr-0 populatie normala a condus la rezul-
tatele:
xi 33,9 34,7 35 35,1 35,2
ni 2 3 4 4 6
Sa se verice la pragul de semnicatie = 0; 04 ipoteza H0 : m = m0 = 35
fata de alternativa H1 : (m 6= m0 ).
[4.2].O selectie de 16 loturi dintr-un anumit produs chimic are continutul
mediu de baze volatile X 16 = 0; 22 miliechivalenti pe kg.Presupunem ca contin-
utul unei baze volatile este o variabila aleatoare normala N (m; 0; 08).
6
(a)Sa se verice ipoteza H0 : m = m0 = 0; 20 fata de alternativa H1 : m =
m1 > 0; 2:
[4.3].Experienta acumulata arata ca rezistenta la rupere a unui tip de cablu
este o variabila repartizata normal cu = 15.O selectie de volum n=9 a dat o
valoare medie a rezistentei de 400.Daca m este medi teoretica a rezistentei la
rupere, sa se verice ipoteza H0 : m = m0 = 450 fata de alternativa H1 : m =
m1 6= m0 .
[4.4].Domeniul valorilor admisibile pentru ipoteza H0 : m = 1; 5 este inter-
valul [0; 3].Ipoteza alternativa este H1 : m 6= 1; 5.
Care este regiunea critica a ipotezei H0 ?
7
TESTE FINALE
Testul 1
Subiectul I
a) Definiti notiunea de probabilitate conditionata de un eveniment posibil.
b) Scrieti formula probabilitatii totale si formula lui Bayes.
b) Descrieti schema bilei revenite (binomiala, a lui Bernoulli) si calculati probabilitatea ca un eveniment cu
probabilitatea de aparitie intr-o proba p (0,1) sa se realizeze de k ori in n probe independente ( k n ).
Subiectul II
repartizate si a) Variabile aleatoare discrete (legea functionala, functia de probabilitate, repartitia).
b) Variabile aleatoare bidimensionale continue (definitie, repartitii marginale, covarianta, coeficient de
corelatie).
c) Functia caracteristica a unei variabile aleatoare (definitie, T.de unicitate, T. de inversiune).
d) Enuntati Legea slaba a numerelor mari pentru variabilele aleatoare independente si identic demonstrati
ca frecventa relativa de aparitie in n probe independente a unui eveniment de probabilitate p (0,1) ,
converge in probabilitate la p , cand n .
Subiectul III
x2 y3
,0 x 2,0 y 2.
a) Densitatea de probabilitate a variabilei ( X , Y ) este p( x, y ) = 16
0, altfel

Determinati densitatile marginale ale variabilelor X , Y si valorile caracteristice
M ( X ), D 2 ( X ), cov( X , Y ) .
b) Numarul mediu de caderi ale unei retele este de 14 pe an.Calculati probabilitatea ca sa aiba loc intre 4 si
6 caderi pe trimestru.(Se presupune ca numarul de caderi este o v.a. Poisson).
c) Durata de functionare a unui aparat este o variabila aleatoare normala N (m, ) .Din 100 de aparate 15
au functionat mai putin de 10 luni, iar 40 mai mult de 20 luni.Sa se determine valoarea medie m a duratei
de functionare si dispersia 2 a ei.
Se dau u 0,15 = 0,874, u 0,6 = 0,725 , unde u este cuantila de ordinul a v.a. reduse normale
standard.
Subiectul IV
a) Definiti momentele de selectie de ordin p 1 obtinute printr-o selectie aleatoare X 1 , X 2 ,..., X n
asupra unei caracteristici X pe o populatie statistica.
b) Folosind metoda momentelor, determinati estimatorii pentru media teoretica m , respectiv pentru
dispersia teoretica ale unei populatii normale N (m, ) si estimati acesti parametri pe baza unei
2
50 50
selectii de volum 50, care a dat xi = 10 si
1
x
1
2
i = 40 .
Testul 2
Subiectul I
a) Definiti notiunea de probabilitate pe un camp de evenimente.
b) Enuntati proprietatile de aditivitate ale functiei de probabilitate.
c) Descrieti schema bilei nerevenite (hipergeometrica) si specificati probabilitatea ca o selectie aleatoare de
marime k (succesiva si fara revenire, sau simultana) dintr-o multime U , partitionata U = R A , sa
contina r elemente din R , unde card (R ) = m , card ( A) = n m , r m , k n .
Subiectul II
a) Variabile aleatoare continue (definitie, relatia dintre densitatea de probabilitate si functia de repartitie).
b) Variabile aleatoare bidimensionale discrete (definitie, repartitii marginale, covarianta, coeficient de
corelatie).
c) Functia caracteristica a unei variabile aleatoare (definitie, T. de unicitate, T. de inversiune).
d) Enuntati Legea tare a numerelor mari pentru variabilele aleatoare independente si identic repartizate si
demonstrati ca frecventa relativa de aparitie in n probe independente a unui eveniment de probabilitate
p (0,1) , converge aproape sigur la p , cand n .
Subiectul III
a) Se da variabila aleatoare ( X , Y ) , cu functia de probabilitate X/Y 1 2 3

10 0,1 0,1 0,2
11 0,1 0,2 0,3
Calculati repartitiile marginale ale variabilelor X , Y si valorile caracteristice

M ( X ), D ( X ), cov( X , Y ) .
2
b)Numarul mediu de caderi ale unei retele este de 8 pe an.Calculati probabilitatea ca sa aiba loc intre 2 si 4
caderi pe trimestru.(Se presupune ca numarul de caderi este o v.a. Poisson).
c).Rezistenta unui tip de resistor este o variabila aleatoare normala N (m, ) .Din 100 de rezistori 10 au o
rezistenta mai mare de 10,2 ohmi si 5 au o rezistenta mai mica de 9,6 ohmi.Sa se determine valoarea medie
m a rezistentei si dispersia 2 a ei.
Se dau u 0,9 = 0,815, u 0, 05 = 0,519 , unde u este cuantila de ordinul a v.a. reduse normale
standard.
Subiectul IV
2
40 40
1
x
1
2
i = 30 .
Testul 3
Subiectul I
b) Specificati proprietatile functiei de probabilitate.
Subiectul II
a) Definiti notiunea de probabilitate conditionata de un eveniment posibil, scrieti formula lui Bayes si
formula probabilitatii totale.
b) Descrieti schema bilei revenite (binomiala) si calculati probabilitatea ca un eveniment cu probabilitatea
de aparitie intr-o proba p (0,1) sa se realizeze de k ori in n probe independente ( k n ).
c) Un aparat este constituit din n componente.Fiecare dintre componente iese din functiune in mod
independent de celelalte cu probabilitatea p1 (0,1) pe durata de functionare [0,t], iar pe durata (t,2t] cu
probabilitatea p 2 (0,1) .Presupunand ca iesirile din functiune pe cele doua perioade sunt , de asemenea,
independente, exprimati in functie de p1 , p 2 si n:
1) probabilitatea ca in intervalul [0,2t] sa iasa din functiune 3 componente.
2) probabilitatea ca in intevalul [0,t] sa se produca mai multe iesiri din functiune decat in (t,2t].
Subiectul III
a) Functia caracteristica a unei variabile aleatoare (definitie, proprietati, T.de unicitate, T. de inversiune,
relatia cu momentele).
1
b) Fie X o variabila aleatoare cu repartitie exponentiala e , = .
2
1) calculati functia caracteristica X si valorile caracteristice: M ( X ) , D ( X ) .
2
2) daca Y este o variabila aleatoare cu aceeasi repartitie si X,Y sunt independente, calculati functia
caracteristica X +Y a variabilei X+Y si determinati densitatea de probabilitate p X +Y a acesteia.
Subiectul IV
a) Se trimite un mesaj a carui calitate este alterata de perturbatii.Fiecare transmitere poate fi considerata ca
success in decodificare , independent de celelalte, cu probabilitatea p=0,8.Durata unei transmisii este de 10
secunde.Daca t este timpul de asteptare pana se confirma decodificarea, calculati P (T < 2) .
b) Din 100 aparate, 8 au functionat mai putin de 28 luni, iar 15 mai mult de 33 luni.Presupunand ca durata
D de functionare este o variabila normala N (m, ) sa se determine media m , dispersia 2 si
P(30,5 < D < 34,5) .
Se dau u 0, 08 = 0,821 si u 0,15 = 0,559 , unde u este cuantila de ordinul a variabilei normale
standard si (0,97 ) = 0834 , (0,13) = 0,55 , unde ( ) este valoarea functiei lui Laplace in .
Subiectul V
a)Folosind metoda verosimilitatii maxime, estimate parametrul repartitiei Poisson.

b)Aratati ca media de selectie este o estimatie nedeplasata a mediei teoretice si dispersia de selectie este o
estimatie consistenta a dispersiei teoretice .
TESTE FINALE
Testul 1
Subiectul I
a) Definiti notiunea de probabilitate conditionata de un eveniment posibil.
b) Scrieti formula probabilitatii totale si formula lui Bayes.
b) Descrieti schema bilei revenite (binomiala, a lui Bernoulli) si calculati probabilitatea ca un eveniment cu
probabilitatea de aparitie intr-o proba p (0,1) sa se realizeze de k ori in n probe independente ( k n ).
Subiectul II
repartizate si a) Variabile aleatoare discrete (legea functionala, functia de probabilitate, repartitia).
b) Variabile aleatoare bidimensionale continue (definitie, repartitii marginale, covarianta, coeficient de
corelatie).
c) Functia caracteristica a unei variabile aleatoare (definitie, T.de unicitate, T. de inversiune).
d) Enuntati Legea slaba a numerelor mari pentru variabilele aleatoare independente si identic demonstrati
ca frecventa relativa de aparitie in n probe independente a unui eveniment de probabilitate p (0,1) ,
converge in probabilitate la p , cand n .
Subiectul III
x2 y3
,0 x 2,0 y 2.
a) Densitatea de probabilitate a variabilei ( X , Y ) este p( x, y ) = 16
0, altfel

Determinati densitatile marginale ale variabilelor X , Y si valorile caracteristice
M ( X ), D 2 ( X ), cov( X , Y ) .
b) Numarul mediu de caderi ale unei retele este de 14 pe an.Calculati probabilitatea ca sa aiba loc intre 4 si
6 caderi pe trimestru.(Se presupune ca numarul de caderi este o v.a. Poisson).
c) Durata de functionare a unui aparat este o variabila aleatoare normala N (m, ) .Din 100 de aparate 15
au functionat mai putin de 10 luni, iar 40 mai mult de 20 luni.Sa se determine valoarea medie m a duratei
de functionare si dispersia 2 a ei.
Se dau u 0,15 = 0,874, u 0,6 = 0,725 , unde u este cuantila de ordinul a v.a. reduse normale
standard.
Subiectul IV
2
50 50
1
x
1
2
i = 40 .
Testul 2
Subiectul I
b) Enuntati proprietatile de aditivitate ale functiei de probabilitate.
c) Descrieti schema bilei nerevenite (hipergeometrica) si specificati probabilitatea ca o selectie aleatoare de
marime k (succesiva si fara revenire, sau simultana) dintr-o multime U , partitionata U = R A , sa
contina r elemente din R , unde card (R ) = m , card ( A) = n m , r m , k n .
Subiectul II
a) Variabile aleatoare continue (definitie, relatia dintre densitatea de probabilitate si functia de repartitie).
b) Variabile aleatoare bidimensionale discrete (definitie, repartitii marginale, covarianta, coeficient de
corelatie).
c) Functia caracteristica a unei variabile aleatoare (definitie, T. de unicitate, T. de inversiune).
d) Enuntati Legea tare a numerelor mari pentru variabilele aleatoare independente si identic repartizate si
demonstrati ca frecventa relativa de aparitie in n probe independente a unui eveniment de probabilitate
p (0,1) , converge aproape sigur la p , cand n .
Subiectul III
a) Se da variabila aleatoare ( X , Y ) , cu functia de probabilitate X/Y 1 2 3

10 0,1 0,1 0,2
11 0,1 0,2 0,3
Calculati repartitiile marginale ale variabilelor X , Y si valorile caracteristice

M ( X ), D ( X ), cov( X , Y ) .
2
b)Numarul mediu de caderi ale unei retele este de 8 pe an.Calculati probabilitatea ca sa aiba loc intre 2 si 4
caderi pe trimestru.(Se presupune ca numarul de caderi este o v.a. Poisson).
c).Rezistenta unui tip de resistor este o variabila aleatoare normala N (m, ) .Din 100 de rezistori 10 au o
rezistenta mai mare de 10,2 ohmi si 5 au o rezistenta mai mica de 9,6 ohmi.Sa se determine valoarea medie
m a rezistentei si dispersia 2 a ei.
Se dau u 0,9 = 0,815, u 0, 05 = 0,519 , unde u este cuantila de ordinul a v.a. reduse normale
standard.
Subiectul IV
2
40 40
1
x
1
2
i = 30 .
Testul 3
Subiectul I
b) Specificati proprietatile functiei de probabilitate.
Subiectul II
a) Definiti notiunea de probabilitate conditionata de un eveniment posibil, scrieti formula lui Bayes si
formula probabilitatii totale.
b) Descrieti schema bilei revenite (binomiala) si calculati probabilitatea ca un eveniment cu probabilitatea
de aparitie intr-o proba p (0,1) sa se realizeze de k ori in n probe independente ( k n ).
c) Un aparat este constituit din n componente.Fiecare dintre componente iese din functiune in mod
independent de celelalte cu probabilitatea p1 (0,1) pe durata de functionare [0,t], iar pe durata (t,2t] cu
probabilitatea p 2 (0,1) .Presupunand ca iesirile din functiune pe cele doua perioade sunt , de asemenea,
independente, exprimati in functie de p1 , p 2 si n:
1) probabilitatea ca in intervalul [0,2t] sa iasa din functiune 3 componente.
2) probabilitatea ca in intevalul [0,t] sa se produca mai multe iesiri din functiune decat in (t,2t].
Subiectul III
a) Functia caracteristica a unei variabile aleatoare (definitie, proprietati, T.de unicitate, T. de inversiune,
relatia cu momentele).
1
b) Fie X o variabila aleatoare cu repartitie exponentiala e , = .
2
1) calculati functia caracteristica X si valorile caracteristice: M ( X ) , D ( X ) .
2
2) daca Y este o variabila aleatoare cu aceeasi repartitie si X,Y sunt independente, calculati functia
caracteristica X +Y a variabilei X+Y si determinati densitatea de probabilitate p X +Y a acesteia.
Subiectul IV
a) Se trimite un mesaj a carui calitate este alterata de perturbatii.Fiecare transmitere poate fi considerata ca
success in decodificare , independent de celelalte, cu probabilitatea p=0,8.Durata unei transmisii este de 10
secunde.Daca t este timpul de asteptare pana se confirma decodificarea, calculati P (T < 2) .
b) Din 100 aparate, 8 au functionat mai putin de 28 luni, iar 15 mai mult de 33 luni.Presupunand ca durata
D de functionare este o variabila normala N (m, ) sa se determine media m , dispersia 2 si
P(30,5 < D < 34,5) .
Se dau u 0, 08 = 0,821 si u 0,15 = 0,559 , unde u este cuantila de ordinul a variabilei normale
standard si (0,97 ) = 0834 , (0,13) = 0,55 , unde ( ) este valoarea functiei lui Laplace in .
Subiectul V
a)Folosind metoda verosimilitatii maxime, estimate parametrul repartitiei Poisson.

b)Aratati ca media de selectie este o estimatie nedeplasata a mediei teoretice si dispersia de selectie este o
estimatie consistenta a dispersiei teoretice .

Probabilitati Si Statistica Matematica

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Probabilitati Si Statistica Matematica

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITATEA TITU MAIORESCU BUCURETI

Titular de disciplin: Confereniar univ.dr.ing. CTLIN APOSTOLESCU

Teoria Probabilitatilor, ca teorie de sorginte empirica, are ca obiect mode-

A(k;1) = A(k) [ A(k+1) [ A(k+2) [ :::::, B (k;1)

Modelul abstract al fenomenului aleator se constituie ca structura matem-

(c) A [ \ Ai = \ (A [ Ai ); A \ \ Ai = [ (A \ Ai ), pentru orice

2.Probabilitate pe un cmp de evenimente

[2.7]Teorema.Armatiile (a),(b), (c) din Teorema 2.6 sunt echivalente.

1.Obtinem P lim sup An lim sup P (An ).

(b)Folosind 2.6 (b) si proprietatea de subaditivitate numarabila, P lim sup An =

Atunci, tripletul ( ; K ; P ) este un cmp de probabilitate.

X I o multime cel mult numarabila si sistemul de numere

[3.6]Propozi tie.Daca PB este probabilitatea conditionata denita n [3.4]

(a)Presupunem nti ca extragerile se fac succesiv.

1 f1;2;:::;kg 2 f1;2;:::;kgn 1 s f1;2;:::;kgn 1n 2n n s 1

card ( 1 ) = n1 , card ( 2 ) = n2 , ...., card ( s ) = ns (1)

4.Exemple lucrate si probleme rezolvate

[4.2].Consideram urnele U1 , U2 , ..., Un ca n exemplul [4.1] si experimentul

[5.1].Sa se demonstreze rezultatul din [3.17].

1.Variabile aleatoare reale.

1.Variabile aleatoare reale.

2.Func tia de repartitie a unei variabile aleatoare reale

(a)F este nedescrescatoare.

(a) (fxg) = F (x + 0) F (x) x 2 R

3.Variabile aleatoare reale discrete

Numim repartitia pe R cu legea din 3.5.repartitia Dirac n punctul a sau

X Bn = pi "xi Bn = pi "xi (Bn ) = pi "xi (Bn )

Evident, (1) este echivalenta cu (ii) si (iii).

4.Variabile aleatoare reale continue

5.Variabile aleatoare n - dimensionale

Relatia din denitia 5.13, care se mai scrie

6.Variabile aleatoare bidimensionale discrete

8.Func tii de variabile aleatoare

1.Avem p (x; y) dxdy = p (x; y) dxdy, D = (x; y) 2 R2 j x 0 y 0 1 x+y 2

si D2 = [1; 2] [0; 2 x], I = c x2 @ ydy A dx + c x2 @ ydy A =

1.Valoarea medie a unei variabile aleatoare reale (a unei reparti tii

1.Valoarea medie a unei variabile aleatoare reale (a unei reparti tii

MP f [gn ] = MP [gn f ] (8) n 1 si din Teorema Beppo - Levi se obtine

MP f 1 [g] = MP [g f ], (8) g 0 (3).

2.Dispersia unei variabile aleatoare reale (a unei reparti tii pe R)

Valoarea M [(f M [f ]) (g M [g])] se numeste covarianta variabilelor f si

3.Momente ale variabilelor aleatoare reale (ale reparti tiilor pe R)

[3.4].Propozi tie(Inegalitatea lui Schwartz).Dac

4.Caracteristici ale variabilelor aleatoare bidimensionale (ale repar-

5.Coecientul de corela tie

6.Valori medii condi tionate

M [f2 j f1 = xi1 ] = x2i2 q i2f jf =x = x2i2 pi11i2 , cnd p1i1 > 0 si

(a)Fie (pij )(i;j)2I1 I2 distributia de probabilitate a vectorului (X; Y ) si pXi i2I1 ,

7.Exemple lucrate si probleme rezolvate

1.Reparti tii fundamentale discrete unidimensionale

2.Reparti tii fundamentale continue

Convergenta uniforma pe orice interval [a; b] rezulta tinnd seama de ine-

(b)Folosim (a) pentru p, q > 0.

(a) (x) > 0, x > 0

densitatea de probabilitate a repartitiei normale N (cm; jcj ).

[2.4].Reparti tia gamma de parametri si .

B( n 1 .Cu schimbarea de variabil a 1+ xn = y1 obtinem p (x) dx = 2 p (x) dx =

1, deci p (x) din Denitia 2.5.9. este o densitate de probabilitate.

Schimbarea se variabila y2 1 + nn12 z = t da

3.Reparti tia normala bidimensionala.

Avem p (x1 ; x2 ) dx1 dx2 = 2

pf1 (x1 ) = p (x1 ; x2 ) dx2 = 2

n general, daca A 2 M2 (R) simetrica si nenegativ denita este matricea

(b)liniile de regresie ale unei variabile componente n raport cu cealalta sunt: