A.

LEAHU

PROBABILIT IISTATISTIC MATEMATIC

Chiin u,2016

 Motto. Matematica este arta de a da lucrurilor
diferite unul si acelasi nume.
Henri Poincare (1854-1912)

1. ntroducere

1.1. Obiectul de studiu al Teoriei Probabilitatiilor

Apari ia Teoriei Probabilit ilor ca ramur a Matematicii dateaz din sec. XVII i este legat de
numele marilor matematicieni Blaise Pascal (1623-1662), Pierre Fermat (1601-1665), Christian
Huygens (1629-1695)iJacobBernoulli(1654-1705), plecnd de la rezolvarea unor probleme legate
de jocurile de noroc. Necesitatea de a largi aria de aplicabilitate a acestei teorii a condus la varianta ei
moderna i anume, Teoria axiomatic a Probabilit ilor, propusa in anul 1933 de catre
matematicianul rus Andrei Nikolaevici Kolmogorov (1903-1987).
Daca e s ne referim la obiectul ei de studiu, putem spune ca Teoria Probabilitilor studiaz
modele matematice ale fenomenelor (experimentelor) aleatoare (nmpltoare, stochastice sau
indeterministe, cum li se mai spune).Aiciseimpununelel muririsuplimentare.
Mulimea de fenomene care se ntlnescnlumeanconjur toaresempartendou clase:
fenomene deterministe si fenomene indeterministe sau, cu alte cuvinte, fenomene aleatoare.
Spunem, astfel, ca fenomenul este determinist daca observatorul poate anticipa cu certitudine
evoluia acestuia. ncalitatedeexempluputemluafenomenulatrac ieiuniversale.Observaiilef cute
asupra acestui fenomen i-au permis marelui matematician si fizician englez Isaac Newton (1642-1727)
s descopereLegea Atraciei Universale:
F=k*m1*m 2 / r2
Aceast formul reprezint un exemplu tipic de model mathematic al unui fenomen (in cazul dat,
determinist).Eanearat c ,fora F deatrac iedintredou corpuri,unuldemas m1 , altul de masa m2 ,
este direct proportional cu produsul k m1 m2 i invers proporional cu p tratul distanei r dintre
aceste corpuri, unde k esteoconstantauniversal .
Putem spune, aadar, c a modela mathematic , spre a fi cercetat, un fenomen (experiment,
eveniment sau obiect oarecare) nseamna a-l descrie, fie si aproximativ, cu ajutorul noiunilor i
formulelor matematice, cu alte cuvinte, a-l descrie n limbajul mathematic. Dealtfel ,unuliacelai
model mathematic poate descri doua sau mai multe fenomene,inesen ,diferite.Deexemplu,formula
demaisusserveteincalitatedemodelmatematicipentrufenomenulatractieidintredouaparticule
elementare (Legea lui Coulomb).
Dimpotriv , spunem despre un fenomen c este indeterminist (aleator, intmpltor sau
stochastic)) dac observatorulfenomenuluinupoateanticipacucertitudineevolu ialui. Din punct de
vedere al observatorului, observa iile facute asupra unui fenomen sau masuratorile corespunzatoare
echivaleaza cu efectuarea unui experiment legat de fenomenul dat. Or, prin experiment vom nelege
observarea unui fenomen dat. Experimentele indeterministe se mpart ,la rndul lor, n doua subclase:
(a) experimente indeterministe (aleatoare) care poseda proprietatea regularitii statisticesi (b)
experimente aleatoare care nu poseda proprietatea regularitatii statistice.
Definiia 1. Vom spune ca un experiment aleator E poseda proprietatea regularitatii (stabilitatii)
statistice daca acesta verifica urmatoarele proprietati:
1) poate fi reprodus, ori de cte ori dorim, practic n aceleasi conditii;
2) pentru orice eveniment A asociat lui E frecventa lui relativa n n
fn(A)=numrul n(A) de probe n care s-a produs A / numrul total de probe n=n(A) / n,
oscileaza n jurul unui numar notat cu P(A), P(A) fn(A) devenind, odata cu
cresterea lui n, tot mai aproape si mai aproape de P(A);
3) pentru doua serii diferite, respectiv de i probe, atunci cnd i sunt foarte mari, fn(A)
coincide aproximativ cu fm(A).
n concluzie, stabilitatea statistica a frecven elor relative confera verosimilitate ipotezei, conform
careia pentru orice eveniment A posibil ca rezultat observabil al unui experiment aleator E, putem
defini numarul P(A) cuajutorulcaruiamasur mgradul(ansele)derealizarealeluiA -un numar
foarte mare de probe. Astfel, n Teoria probabilitatilor devine postulat afirmatia, conform careia pentru
orice eveniment Aasociat unui experiment aleator E exista (obiectiv) un numar P(A) numit
probabilitate a lui A. Proprietatea fireasca a acestui numar rezida n faptul ca, odata cu cresterea
numarului n fn(A) se apropie, tot mai mult, de P(A).
Numrul P(A) se numete, prin definitie, probabilitate statistica (sau frecvenial) a evenimentului
A.
Exemplu. Consideram, n calitate de experiment aleator E, aruncarea unei monede perfecte o
singura data. Fie A f1000(A) coincide
aproximativ cu 1/2 adica P(A)=1/2 iar f2000(A) coincide, la fel, aproximativ cu 1/2, adica
probabilitatea P(A)=1/2.
Prin urmare, putem afirma c probabilitatea (statistic ) a apari iei stemei la aruncarea monedei o
singuradat esteegalacu1/2
de ori, stema va apare n aproximativ 50% de cazuri .
Putem aducesialte exemple de fenomene aleatoare: rezultatelearunc rii unui zar, greutatea unui
bob ge gru ales la ntmplare, numarul de bacterii ntr-opicatur deap ,duratavie iiunuicalculator
produsdentreprindereadat ,num ruldeapeluritelefonice nregistrate la o statie telefonica pe durata
unei zile, cursul valutar leu/dolar, etc., etc. Enumerarea lor poate continua la nesfrsit, nsa ele toate
vor avea acelai caracter, fiiind nsotite de astfel de notiuni imprecise (deocamdata) ca aruncare
onesta, moneda perfecta, probe independente, etc.
Remarc. Probabilitatea statistica nu poate fi aplicata ntotdeauna, deoarece nu orice
experiment poate fi repetat n conditii identice ori de cte ori dorim. experimentele aleatoare care
poseda proprietatea regularitatii statistice tin de fenomenele de masa. Pentru studiul experimentelor
care nu poseda aceasta proprietate, putem folosi notiunea de probabilitate subiectiva.
Definitia 2. Prin probabilitate subiectiva vom ntelege acea regula P conform careia o persoana
P
probabilitatea evenimentului A.
Astfel,putemvorbidespreprobabilitateasubiectiv ,evaluat ,s zicem,deunexpert,c pnananul
2020 se va produce prima expediie a omului pe Marte. Pentru studiul fenomenelor aleatoare
indeterministe, n afara de probabilitate subiectiva si probabilitate frecventiala, exista si notiunile de
probabilitate clasica, probabilitate geometrica, probabilitate discreta si probabilitate definita
axiomatic.Toateacesteno iuniaucascopdefinireauneimodalitatidemasurareaanselor(gradelor)
de realizare a evenimentelor aleatoare date, definitia axiomatica a probabilitatii fiind, ntr-un anumit
sens, acoperitoare pentru toate celelate.
Lucrareadat esteaxat numaiinumaipeprobabilit iobiective,nuisubiective.

2. Calculul probabilitilor

2.1. Definiia axiomatic a probabilitii.

. Drept punct de plecare n calculul probabilit ilor servete definiia axiomatic a probabilit ii,
care ntregete modelareamatematic a experimentelor aleatoare ce poseda Proprietatearegularit ii
statistice. Aceast modelare presupune identificarea urmatoarelor elemente (obiecte) matematice cu
ajutorulcaroras descriem:
a) multimea de rezultate posibile intr-un experiment aleator E ;
b) multimea (familia) F a tuturor evenimentelor aleatoare asociate experimentului E ;
c) probabilitatea (regula) P,conformc reiafiec ruievenimentaleatorA asociat experimentului E i
se pune n coresponden probabilitateaacestuiaP(A).
R spunslap.a) ni-l da
Definiia 1. Vom numi spaiu de evenimente elementare oricemultimenevid , elementele careia
corespund rezultatelor posibile ntr-un experiment aleator E. Elementele din se numesc
evenimente elementare.
D mctevaexempledespatiideevenimenteelementare.
1. Consider m, n calitate de experiment aleator E, aruncarea unei monede o singura dat .Atunci
spatiul corespunzator de evenimente elementare ={S, B}={0, 1}={1, 2}, unde prin S, 0 sau 1 am
notat evenimentul elementar ce const n apariia Stemei, iar prin B, 1 sau 2 am notat aparitia
Banului.
2. Consider maruncarea unei monede de dou ori succesiv. Atunci ={SS,SB,BS, BB}={1, 2,
3, 4 }, pastrand acela tip de notare.
3. Experimentului aleator E , ceconst naruncareaunuizarosinguradata,icorespundespatiulde
evenimente elementare ={1, 2,...,6}={1, 2,..., 6 }, unde i sau i reprezinta numarul de puncte
ap rute, i= 1, 2,...,6.
4.Iaracumconsider m,ncalitatedeexperimentaleator E, aruncarea unei monede pna la aparitia
Stemei. Atunci ={S,BS, BBS,...}={1, 2, 3,..., n , }, unde n , de exemplu, corespunde
rezultatuluiposibil(elementar)cesemnific faptulc experimentuls-aterminatlaaruncareanum rul
ncuaparitiaStemeiprecedat deaparitiaBanuluiden-1 ori.
5.Consider mexperimentulaleatorceconst inmasurareastaturiiunuistudentluatlantmplare
delaAcademiadeStudiiEconomicedinMoldova.Not mprin n ltimeaacestuia.Atunci={ :
>0}.
Observaie. Vom spune c exemplele de tipul 1-5 se refer la cazul discret deoarece spaiul de
evenimente elementare corespunz tor reprezinta o multime finita (vezi exemplele 1-3) sau o
multime infinita, cel mult, numrabil (n exemplul 4), iar exemplele detipul 5 serefer la cazul
continuu deoarece spa iul de evenimente elementare corespunz tor reprezinta o mul ime infinit
nenumrabil.
R spunsullap.b) lafl mdin
Definiia 2. Fie un spaiu de evenimente elementare, atunci vom numi eveniment aleator orice
element A din familia F ={A: A este submulime a lui } ceverific urm toarele2axiome:
10. Daca A este eveniment aleator, adica A este element a lui F atunci si complementara acestuia,
={ din : nu apartine lui A} este eveniment aleator;
20. Daca A1 ,A2, , An,... sunt evenimente aleatoare, atunci si reuniunea (suma) acestor submulimi
este eveniment aleator.
Familia F sau perechea ( , F )semainumetecmpdeevenimente aleatoare.
Observaie. Dac este o multime de tip discret, atunci axiomele
10- 20 ale cmpului de evenimente aleatoare se verifica automat, cu alte cuvinte , n acest caz, din
oficiu, orice submultime A din spaiul de evenimente elementare esteevenimentaleator.Dac
evenimentul elementar din aparine si evenimentului A, atunci spunem ca favorizeaz
evenimentul A.
Mai mult,deoareceevenimentelealeatoarereprezint submulimi ale lui rezulta ca asupra lor
pot fi aplicate toate operaiile asupra multimilor. Astfel reuniunea a doua evenimente aleatoare se
numeste sum, intersectia lor se numeste produs iar complementara ={ din : nu apartine
lui A} a unui eveniment aleator A se numete eveniment non-A sau negarea evenimentului A.
Evenimentul se numeste eveniment sigur, iar evenimentul ce corespunde multimii vide se
numeteeveniment imposibil. Dac produsul(intersec ia)adouaevenimenteA i B este un eveniment
imposibil, atuncisespunec evenimentele A i B sunt incompatibile (disjuncte). Daca evenimentul A
se contine (camul ime) n B, atunci spunem ca evenimentul A implica evenimentul B. Daca,
concomitentcuaceasta,arelocsirela iainversa,atunciA=B ispunemcaevenimenteleA i B sunt
echivalente.
Evident,operatiileasupraevenimenteloraleatoareposed aceleaipropriet ticaiopera iileasupra
mulimilor. In particular, sunt valabile
Formulele de dualitate ale lui de Morgan:
1) Complementara sumei a doua evenimente A si B coincide cu produsul complementarelor
acestor evenimente;
2) Complementara produsului a doua evenimente A si B coincide cu suma complementarelor
acestor evenimente.
Putem, nsfrit,r spundelap.c) prin
Definitia 3 (Definiia axiomatica a probabilitaii). Vom numi probabilitate definit pe campul de
eveneminte aleatoare ( , F ) orice aplicaie P: FR careverific urm toareleaxiome
A1. P(A)0 pentru orice eveniment A din F;
A2. P()=1;
A3. P(A1 +A2+...+ An+...)=P(A1 )+P(A2)+...+P(An)+... pentru orice ir de evenimente A1 ,A2,...,
An,...din F, aici + semnificand operatia de reuniune a multimilor, atunci cand acestea sunt disjuncte,
doua cate doua.
Pentru orice eveniment aleator A, num rul P(A) se numete probabilitatea evenimentului A .
Tripletul (,F, P)senumete cmp de probabilitate.
Dinaceastadefini iededucemurm toarea
Teorem (Proprietile probabilitii) . Orice probabilitate P definit pe campul de eveneminte
aleatoare ( , F ) posed urmtoarele proprieti:
a) 0 P(A) 1 pentru orice eveniment A din F;
b) P() =1-P(A) ( P(A)=1-P()) pentru orice eveniment A din F; (1)
c) Probabilitatea evenimentului imposibil este egala cu zero;
d) (Formula adunrii probabilitilor). Dac A1 , A2 ,..., An sunt evenimente aleatoare legate de
acest cmp F, atunci

P( in=1 Ai ) = P(Ai ) P(A A i j )+

1i< j n

P( A
n
i A j Ak ) ... ( 1) n 1 P (
Ai )
1 i j k n
i 1 (2)
e) Dac A i B sunt evenimentele din F i A implic B,adic A B , atunci P(A) P(B).

2.2. Calculul probabilitilor clasice.

Pentru inceput vom formula definitia clasica a probabilitatii in varianta ei moderna.
Definiia clasic a probabilitii. Vom spune ca avem de a face cu o probabilitate clasica P dac
a) Spa iuldeevenimenteelementare con ineunnum rfinitdeevenimenteelementare;
b) Familia de evenimente aleatoare F este reprezentata de toate submultimile posibile ale lui
c) P este o aplicatie definita pe F cu valori in multimea numerelor reale calculate conform
formulei
card A
P ( A)
card , (3)
unde card A nseamn num ruldeelementealesubmul imiirespectiveA din . P(A), reprezentand un
numar, se numeste probabilitatea evenimentului A, iar tripletul (, F, P) - cmp de probabilitate
clasic.
Se observ ca probabilitatea clasic este un caz particular a probabilitii definite axiomatic. In
plus,observamcadinaceastadefini ierezult catoateevenimenteleelementaresuntechiprobabilesi
egale cu 1/card. Or, semnele dupa care aflam daca putem aplica definitia clasica sunt cele care
atesta echiprobabilitatea evenimentelor elementare, cum ar fi sintagmele extragere la intamplare,
moneda perfecta sau simetrica, zar perfect sau simetric, etc.
Exemplul 1. S se calculeze probabilitatea c la aruncarea unui zar perfect ,de dou ori, suma
numerelordepuncteap rutevafiegal cu5(evenimentulaleatorA).
Rezolvare. Spa iuldeevenimenteelementare = (i, j): 1 i, j 6. Favorabile evenimentului A
sunt evenimentele elementare A = (1, 4), (2, 3), (3, 2), (4, 1). Cum card A 4icard = 36, avem
P(A)=4/36=0,111111.
Exemplul 2. Ourn con ine60debilealbei40debilenegre.1) S secalculezeprobabilitateac
o bil extras la ntmplare va fi alb (evenimentul A). 2) S se calculeze probabilitatea c
dou sprezecebileextrasef r ntoarcerevorfialbe(evenimentulB).
Rezolvare. 1)Printrecele100debiledinurn 60suntalbe.Decicard 100icard A = 60. Prin
urmarevaloareaexact P(A) = 60/100 = 0,6.
12
2) Deoarece 12 bile din 100 pot fi extrase n C100 moduri, iar 12 bile din cele 60 existente pot fi
12
extrase n C60 moduri,conformdefini ieiclasiceaprobabilit iiiformuladecalculalnum ruluide
combin ridinn elemente luate cte m:
 n!
Cnm = (4)
(m! )((n m)! )
avem:
60! 100!
P(B)= P( B) / 0.00133219
( 12! ) ( 48! ) ( 12! ) ( 88! )

Probabilitate discret
Aria de aplicabilitate a probabilitatii clasice este, cum o arata si urmatoarele exemple, limitata.
Exemplul 1. Consider m aruncarea o singura data a unui zar, a c rui centru de greutate este
deplasat astfel incat probabilitatile apariiei feelor 1,2,3,4,5,6 se raporteaza ca 1:2:3:4:5:6. Sa se afle
probabilitateaapari ieiunuipardepuncte.
Dinacestexemplusevedecaformulaprobabilit iiclasiceesteinaplicabil deoarecerezultatele
posibile nu sunt echiprobabile, chiar daca multime lor (spatiul de evenimente elementare) este finita.
Unaltmotivpentrucareformulaprobabilit iiclasicepoatefiimposibildeaplicatestefaptulca
multimeaderezultateposibileinexperimentesteinfinita,fiesinumerabil (cazul discret).
Exemplul 2. Consider mexperimentulaleatoriuceconstainaruncareauneimonede perfecte
pana la inregistrarea prima data a Stemei. Ne intereseaza, de exemplu, probabilitatea ca
experimentul se va termina in urma a cel mult zece aruncari. Exemplul 4 din p.2.1. arata ca acestui
experiment ii corespunde un spatiu de evenimente elementare infinita, numarabila ca multime, ceea ce
face imposibila aplicatia formulei probabilitatii clasice.
In scopul posibilitatii abordarii cazurilor mentionate in exemplele 1-2, se foloseste notiunea de
probabilitae discreta sau de camp de probabilitate discreta.
Definiia probabilitii discrete. Vom spune ca avem de a face cu o probabilitate discreta P
dac
a) Spa iuldeevenimenteelementare reprezinta o multime finita sau infinita, cel mult, numerabila,
adica ={1, 2, 3,..., n , };
b) Familia de evenimente aleatoare F este reprezentata de toate submultimile posibile ale lui
c) P este o aplicatie definita pe F cu valori in multimea numerelor reale calculate conform
formulei:

P(A)=suma probabilitatilor pentru fiecare eveniment elementar ce favorizeaza evenimentul A=

P{i } , unde P verifica urmatoarele 2 axiome:
i :i A
A1. P{i }0,pentruoricei1;
A2. P() P{i } 1,
i : i

P(A), reprezentand un numar, se numeste probabilitatea evenimentului A, iar tripletul (,F, P) -

cmp de probabilitate discret.
Exemplul 1 (continuare). Observam ca in acest exemplu sunt intrunite toate conditiile
aplicabilitatii definitiei probabilitatii discrete:
={1, 2, 3,..., 6}{1.2,,6},adicaspatiul de evenimente elementare este o multime
finita;
2. Familia de evenimente aleatoare F este reprezentata de toate submultimile posibile ale lui
iar in ea regasim si evenimentul nostru A={va apare un numar par de
puncte}={2,4,6}.
3. Tinand cont de cum se raporteaza probabilitatile P{i}, deducem ca P{i}=i/21. i=1,2,,6,
ceea ce insemna ca sunt verificate axiomele A1 si A2 de mai sus.
In concluzie P(A)=2/21+4/21+6/21=22/21. Or, spre deosebire de cazul clasic (zarul nefind
perfect) P(A)=22/21>1/2.
Exemplul 2 (continuare). Observam ca si in acest exemplu sunt intrunite toate conditiile
aplicabilitatii definitiei probabilitatii discrete:
={1, 2, 3,..., n,}={S, BS,BBS,BBBS,...} , adica spatial de evenimente elementare este o
multime infinita numarabila;
2. Familia de evenimente aleatoare F este reprezentata de toate submultimile posibile ale lui iar
in ea regasim si evenimentul nostru A={experimentul se va termina in urma a cel mult 10
aruncari}={1, 2, 3,..., 10,}= {S, BS,BBS,BBBS,...,BBBBBBBBBS}.
3. Deoarece experimentul vizeaza aruncarea unei monede perfecte putem afirma ca P{i}=1/2i,
pentru orice i=1,2,,n, . Intr-adevar evenimentul elementar i reprezinta unul din cele 2i
evenimente elementare in experimentul cu aruncarea unei monede perfecte de i ori. Cum acestea
sunt echiprobabile, rezulta ca si i are aceeasi probabilitate 1/2i. Or, axioma A1 este valabila. Este
valabila si axioma A2 , deoarece 1/2+1/22 +1/23+=(1/2)/(1-1/2)=1.
In concluzie,
P(A)= 1/2+1/22++1/210= (1/2)[1-(1/2)10]/(1-1/2)=1-(1/2)10.

2.4. Probabilitate geometric. n practica se ntlnesc situa ii cnd modelul probabilist al

experimentului aleator are de a face cu evenimente elementare echiprobabile, dar pentru care spatiul
de evenimente elementare este o multime infinita nenumarabila (caz continuu). Drept exemplu putem
lua urmatorul experimentul imaginar, care in orice limbaj de programare evoluat (C++, Java, etc.)
poate fi reprodus, folosind generatorul de numere (pseudo)aleatoare realizat de functia RANDOM .
Exemplu (aruncarea unui punct la intamplare pe segmentul [0,1]).Consideram experimentul
aleatoriu ce consta in aruncarea la intamplare a unui punct pe segmentul [0,1]. Data fiind sintagma
la intamplare , rezultatele posibile in acest experiment, fiind numere reale din [0,1], sunt
echiprobabile, dar definitia clasica este inaplicabila, deoarece spatiul de evenimente elementare
[0,1]esteomultimeinfinitanenumarabila.Pentru astfel de cazuri putem apela la
Definiia probablitaii geometrice. Vom spune ca avem de a face cu o probabilitate geometric
P dac
a) Spa iul de evenimente elementare reprezint o multime infinit nenumerabil din Rn pentru
care mesunde mesreprezinta lungimea in R1 , aria in R2 sa volumul in Rn pentrun3;
b) Familia de evenimente aleatoare F este reprezentata de toate submultimile masurabile A din
adica pentru care mesApoatefidefinit
c) P este o aplicatie definita pe F cu valori in multimea numerelor reale calculate conform
formulei:
P(A)=mesA / mes
Astfel, in exemplul invocat, aplicnd definitia probabilitatii geometrice aflam ca probabilitatea ca
un punct aruncat la intamplare pe [0,1] va nimeri in punctul x este egala cu
P{x}=mes{x}/mes([0,1])=0/1=0, pentru orice x din [0,1]. Daca ne intereseaza, de exemplu,
probabilitatea ca un punctaruncatlaintamplarepe[0,1]vanimeriinprimajum tateaacestuiinterval
este egala cu P([0,0.5])= mes([0,0.5]) / mes([0,1])=0.5/1=0.5. Dealtfel, observam ca P([0,0.5]=
P([0,0.5))= P([0.5,1]). In genere, probabilitatea ca un punct aruncat la intamplare pe [0,1] va nimeri
intr-un interval (a,b)din[0,1]coincideculungimeaacestuiinterval,adic cub-a.

2.3. Probabiliti condiionate. Formula nmulirii probabilitilor. Independena

evenimentelor aleatoare.
Fie A i B doua evenimente aleatoare legate de acelai cmp de probabilitate (,F, P), unde
P(B)>0. Atunci putem da
Definiia 1. Senumeteprobabilitate a evenimentului A condiionat de evenimentul B m rimea
notat cuP(A/B) icalculat dup formula
P(A B)
P(A | B) = . (5)
P(B)
Din(5)rezult formula nmulirii probabilitilor pentru dou evenimente aleatoare:
P(A B) = P(A)P(B | A) . (6)
Are loc urmatoarea
 Teorem (Formula nmulirii probabilitilor n caz general). Daca
(, F, P) este un cmp de probabilitate si A1 , A2 ,..., An sunt evenimente aleatoare legate de acest
cmp cu proprietatea
P(A1 A2 ... An1 ) 0 ,
atunci
P( A1 A2 ... An ) P(A1 )P(A2 | A1 )P(A3 | A1 A2 )...P(An | A1 ... An1 )
(7)
Definiia 2.Vom spune c doua evenimente aleatoare A i B, legate de acelai cmp de
probabilitate (,F, P), sunt independente dac
P(A B) = P(A)P(B)
Definiia 3.Vom spune ca evenimentele aleatoare A1 , A2 ,..., An , legate de acelai cmp de
probabilitate (, F, P), sunt independente dou cte dou daca
P(Ai Aj ) P( Ai ) P( Aj )
pentru orice i diferit de j, i,j=1,2,...,n.
Definiia 4. Vom spune ca evenimentele aleatoare A1 , A2 ,..., An , legate de acelai cmp de
probabilitate (, F, P), sunt independente (in totalitate) daca
P( Ai1 Ai2 ... Aik ) P(Ai1 )P(Ai2 )...P(Aik )
pentru orice set de indici diferii {i1, i2 ,...,ik} din multimea de indici {1,2,...,n}, k=2,3,...,n.
Observaia 1. Din definitiile respective, deducem ca, independenta (in totalitate) atrage dupa
sine si independenta a doua cate doua evenimente. Afirmatia inversa, insa, nu are loc. Drept
exemplu putem lua experimentul aleator ce consta in aruncarea unui tetraedru perfect, cu cele 4 fete
vopsite astfel: fata 1 vopsita in albastru, fata 2-in galben, fata 3-in rosu si fata 4-in albastru, galben si
rosu. Se verifica cu usurinta ca evenimentele A={va apare culoarea albastra}, G={va apare culoarea
galbena}, R={va apare culoarea rosie} sunt independente 2 cate 2, dar nu si in totalitate.
Observaia 2. n cazul cnd evenimentele aleatoare A1, A2, ..., An sunt independente, atunci
formulanmul iriiprobabilit ilorareforma
P( A1 A2 ... An ) P(A1 )P(A2 )...P(An ) . (8)
Propoziie (Formula lui Poisson). Daca evenimentele Ak , sunt independente (in totalitate) si
probabilitatile P(Ak)= pk , k=1,2,,n sunt cunoscute, atunci probabilitatea
P{se va produce cel puin unul din evenimentele Ak , k=1,2,,n}=
=1-[(1- P(A1))(1- P(A2))... (1-P(An)]=1-[( 1- p1 )(1-p2) (1-pn)].
Exemplul 3. Un aparat const din trei elemente care n timpul func ion rii lui se pot deteriora
independentunuldealtul.Not mprinAi = elementul i se va deteriora, i 1,2,3.S secalculeze
probabilitatea evenimentului A = se va deteriora un singur element, B = se va deteriora , cel puin,
un elementdac setiuprobabilit ile:p1 = P(A1) = 0,13, p2 = P(A2) = 0,06, p3 = P(A3) = 0,12.
Rezolvare. Vom exprima evenimentul aleator A prin intermediul evenimentelor A1, A2 i A3.
Evenimentul A se va produce, atunci si numai atunci cand, se va deteriora primul element iar al doilea
nu i al treilea nu, sau se va deteriora al doilea element, iar primul - nu i al treilea nu, sau se va
deteriora al treilea element, iar primul nu i al doilea nu. Prin urmare, conform defini iilor
opera iiorasupraevenimenteloraleatoare,avem:
A = (A1 A2 A3 ) (A1 A2 A3 ) (A1 A2 A3 ) .
Calcul m probabilitatea evenimentului A folosind succesiv: formula de adunare a probabilit ilor
pentru evenimente incompatibile (disjuncte) doua cte dou , formula de nmul ire a probabilit ilor
evenimentelorindependente(intotalitate)iformuladecalculalprobabilit iievenimentuluiopus.
P(A)= 0.13*(10.06)*(10.12)+(10.13)*0.06*(10.12)+(10.13)*
(10.06)*0.12=0,251608
Prin analogie, folosind Formula lui Poisson, calculam P(B).
Exemplul 4. Presupunem c , ntr-un lot de 100 de piese de acelai tip, 7 piese sunt defecte.
Extragemlaintmplaref r intoarcere5piese.Dac toatepieselesuntf r defecte,atuncilotuleste
acceptat. n caz contrar este refuzat. S se calculeze probabilitatea evenimentului A = lotul va fi
acceptat.
 Rezolvare.Not m:Ai = piesa cu numrul de ordine de extragere i va fi fara defecte, i = 1, 2, 3,
4, 5. Are loc egalitatea
A = A1 A2 A3 A4 A5 .
Conform formulei (7) avem
P(A) = P(A1 )P(A2 | A1 )P(A3 | A1 A2 )P(A4 | A1 A2 A3 )
93 92 91 90 89
P(A5 | A1 A2 A3 A4 ) = =0.690304.
100 99 98 97 96

2.4. Formula probabilitii totale. Formula lui Bayes.

Teorem. Dac A i H1, H2, ..., Hn,... sunt evenimente aleatoare legate de acelai cmp de
probabilitate (,F, P) i satisfac condiiile :
a) evenimentul A implica producerea a cel putin unuia din evenimentele H1, H2, ..., Hn,... ;
b) evenimentele H1, H2, ..., Hn,... sunt incompatibile dou cte dou;
c) P( Hi )>0,
atunci au loc formula probabilitii totale
P(A) = P(H1 )P(A | H1 ) + ... + P(H n )P(A | H n )... (9)
i formula lui Bayes
P(H j )P(A | H j )
P(H j | A) = . (10)
P(H1 )P(A | H1 ) + ... + P(H n )P(A | H n ) ...
Exemplul 5. Laundepozitsunt1000depiesedeacelaitip(identice),fabricatedeuzinelenr.1,
nr.2inr.3,npropor iede5:3:2.Setiec ni din piesele fabricate de uzina i sunt cu defecte: n1 = 4,
n2 = 5, n3 = 6.
1) S secalculezeprobabilitateacaopies extras lantmplarevafidecalitate.
2) S secalculezeprobabilitateac opies extras lantmplarevafiunafabricat deuzinanr.1,
dac setiec aceastapies estecudefecte.
Rezolvare.1)Not m:A = piesa luat la ntmplare va fi de calitate. ndependen deuzin lacare
afostfabricat piesaextras potfienun ateipotezele:Hi = piesa luat a fost fabricat de uzina nr.i,
i = 1, 2, 3.Dincondi iileproblemeirezult c uzinanr.1afabricat500depiesedinceleexistentela
depozit, uzina nr.2 - 300depieseiuzinanr.3- 200depiese.Aplicnddefini iaclasic a
probabilit ii,avem:P(H1) = 500/1000 =0,5, P(H2) = 300/1000 = 0,3,iP(H3) = 200/1000 = 0,2. Cum
ni din piesele fabricate de uzina i suntcudefecte,rezult c (1ni)% din piese sunt calitative. Deci
P(A | H1 ) 0.96 , P(A | H 2 ) 0.95 , P(A | H 3 ) 0.94.
Aplicnd formulaprobabilit iitotale(9).
P(A)=0.5*0.96 + 0.3*0.95 + 0.2*0.94=0.953
3) Conformnota ieidinpunctul1avem A = piesa luat la ntmplare este cu defecte. Cum
P(A | H1 ) 0.04, P(A | H 2 ) 0.05, P(A | H3 ) 0.06,
4) din formula lui Bayes (10) avem
P( H 1 ) P( A | H 1 )
P( H 1 | A )
P( H 1 ) P( A | H 1 ) P( H 2 ) P( A | H 2 ) P( H 3 ) P ( A | H 3 )
0.5 0.04
P( H1 / A ) 0.425532.
0.5 0.04 0.3 0.05 + 0.2 0.06

2.5. Probe Bernoulli (Experimente independente).

Definiie. Experimentul aleator E se numete prob Bernoulli daca sunt intrunite urmatoarele
condiii:
a) Mulimeaderezultateposibileconst numaidindouarezultate,numiteconventional,succes i
insucces;
b) Probabilitatea p=P{succes}esteom rimecenuvariaz delaoprob laalta;
c) Rezultatele unei probe nu influeneaz rezultatele celorlalte probe, i.e., probele sunt
independente.
 Drept exemplu, putem lua aruncarea unei monede sau aruncarea unui zar, daca ne intereseaza
apariia sau nu, sa zicem, a unui numar par. Mai mult ca att, orice experiment aleator E poate fi
privit ca o proba Bernoulli, dendata ce ne intereseaza doar producerea sau nu a unui eveniment
aleator A legat de acest experiment, cu conditia ca E s poat fi repetat independent unul de
altul, practic, n aceleai condiii. n acest caz, experimentele aleatoare E1, E2,..., En se numesc
independente daca ele reprezinta repetarea uneia si aceleai probe Bernoulli E de n ori. Experimentele
independenteportratatecaoexperien careserepet den ori.

2.6. Schema binomial (sau schema bilei ntoarse in cazul a doua culori posibile). Distribuia
(formula) binomial.Fiec nfiecaredinn experimente independente E1, E2,..., En evenimentul A poate
s serealizezecuprobabilitateap: p = P(A). Atunci probabilitatea ca evenimentul A nu se produce este
egal cuq = P( A ) = 1P(A) = 1p.Atunciarelocurm toarea
Teorem. Probabilitatea Pn(k), ca evenimentul A se va realiza exact de k ori n n experimente
independente (probe Bernoulli) cu probabiliatatea succesului p n fiecare prob, poate fi calculat
dupa formula
Pn (k) = Cnk p k q nk , k 0,1,..., n. (11)

Formula (11) se numete distribuie Binomiala, iar in cazul n=1 se numeste distribuie Bernoulli.
Exemplu (Schema bilei ntoarse in cazul a dou culori). Presupunem ca avem o urna cu M bile
albe si N bile negre. Atunci , folosind definiiaclasicaaprobabilit ii,putemar tac probabilitatea
PM+N (k) c din M+N bile,extr gndlantmplaren bile cu intoarcere (repetare), vor fi extrase exact
k bile albe,secalculeaz dup formula
Pn(k) = Cnk [M /( M N )]k [1 M /( M N )]nk , k 0,1,..., n.
Observam ca aceasta coincide cu distributia Binomial (11).Dealtfel,
schemabileintoarsenseamn c bileleseextragdinurnn unacteunaifiecarebil extras ,este,
dup observareaculoriiei,ntoars dinnounurn .
Exemplul 6. Consider m aruncarea unei monede perfecte de 100 de ori. S se calculeze, cu
aproximaie, probabilitatea ca Stema va apare exact de 47 ori.
Rezolvare. Fie evenimentul A = va apare Stema. Avem: p = P(A) 1/2 i q = 1p = 1/2.
Conform formulei Binomiale (11), pentru n = 100, k = 47, p 1/2iq = 1/2, avem ca
P100( 47 ) = C100
47
( 1/ 2 )47( 1/ 2 )100 47 .
Calcululacesteivaloriprinmetodeobinuiteesteposibil,darprezint dificult i.ApelndlaSistemul
Mathematica avem :
100!
P100(47) ( 0.5 )47( 0.5 )53 0.0665905 .
( 47! ) ( 53! )

2.7. Schema (repartiia) multinomial (polinomial) (sau schema bilei ntoarse n cazul bilelor
de mai multe culori).Fiec nrezultatulfiec ruidinn experimente independente E1, E2,..., En pots se
realizeze evenimentele aleatoare A1, A2, ..., Ar,careformeaz unsistemcompletdeevenimente,i.e.,
acestea sunt incompatibile doua cte doua i suma (reuniunea) lor coincide cu evenimentul sigur.
Not m:pi = P(Ai), i = 1, 2, ..., r. Evident, p1 + p2 + ... + pr 1.Atunciarelocurm toarea
Teorem (Repartiia Multinomial). Probabilitatea Pn(k1,k2,...,kr) ca, n urma a n experimente
independente, evenimentele Ai se vor realiza de ki ori fiecare, unde i = 1, 2, ..., r, n = k1 + k2 + ... + kr,
poate fi calculat conform formulei
n! k k k
Pn (k1 , k2 ,..., kr ) p1 1 p2 2 ... pr r . (12)
k1!k2 !... kr !
Observaie. Formula (12) definete, asa numita Distribuie Multinomial, distribuie care coincide,
evident, n cazul r=2, cu Distribuia Binomial definit deformula (11).
Exemplul 7.Presupunemc ntr-ourn avemurm toareacomponen debiledetreiculori:5bile
albe, 7 bile negre i 8 bile albastre. Se extrag succesiv, cu repetare (revenire) 6 bile. Care este
probabilitateacaprintreaceste6bileunavafialb ,dou vorfinegreitreivorfialbastre?
 Rezolvare. Fie evenimentele: A1 = bila extras va fi alb, A2 = bila extras va fi neagr iA3 =
bila extras va fi albastr. Atunci: p1 = P(A1) = 5/(5+7+8) = 1/4, p2 = P(A2)7/20,ip3 = P(A3) =
8/20 = 2/5. Aplicnd formula (8.1.12) cu n = 6, k1 = 1, k2 2,ik3 3,ob inem
6! 1 1 7 2 2 3 147
P6 (1,2,3) ( )( ) ( ) 0.1176 .
1!2!3! 4 20 5 1250

2.9. Schema bilei nentoarse n cazul a dou culori (Repartiia Hipergeometric).Fiec ntr-o
urn suntn bile dintre care n1 suntalbein2 suntnegre.Seextraglantmplare,f r ntoarcere,m
bile, m n. Atunci are locurm toarea
Teorem (Schema bilei nentoarse n cazul a dou culori). n schema descris mai sus,
probabilitatea Pn(m1,m2), ca printre m bile extrase m1 vor fi albe i m2 negre, m= m1+ m2 , se
calculeaz conform formulei
m m
Cn 1 Cn 2
1 2
Pn (m1 , m2 ) = m
. (15)
C n
Formula (15) definete, aa numita, repartiie Hipergeometric.
Exemplul 9.Presupunemc ntr-unlotde100debiletedeloterie20debiletesuntctig toare.S
secalculezeprobabilitateacadin7biletecump rate2biletevorficuctig.
Rezolvare.Aplic mformula(15)ncare,conformdatelorproblemei,n=100, n1 = 20, n2 =80, m1 =
2, m2 = 5, m = 7. Avem:
2 5
C20C80 20! 80! 100!
P7 (2,5) ) /( ) 0.28534.
C100 ( 2! ) ( 18! ) ( 5! ) ( 75! ) ( 7! ) ( 93! )
7

2.10. Schema bilei nentoarse n caz general.

Fiec avemourn ncaresuntn bile, din care ni bile sunt de culoarea i, i = 1, 2, ..., r, n = n1 + n2 +
... + nr. Seextragsuccesivf r revenirem bile, m n.Atunciarelocurm toarea
Teorem(Schema bilei nentoarse n caz general) . n schema descris mai sus, probabilitatea
Pn (m1 , m2 ,..., mr ) ca printre bilele extrase mi vor fi de culoarea i, i = 1, 2, ..., r, m = m1 + m2 + ... +
mr, se calculeaz conformformulei
m m m
Cn 1 Cn 2 ...Cn r
Pn (m1 , m2 ,..., mr ) = 1 2 r , (16)
Cnm
aceasta probabilitate fiind nula daca exista cel putin o valoare i pentru care mi>ni, i=1,,r.
Exemplul 10. ntr-undepozitsunt200depiesedeacelaitip,dincare100suntdecalitateanti,
66decalitateaadouai34decalitateaatreia.Seiaulantmplaref r ntoarcere30piese.Careeste
probabilitateacaprintreele17s fiedecalitateanti, 9decalitateaadouai4decalitateaatreia?
Rezolvare.Aplic mformula(16) cu n = 200, m = 30, n1 = 100, n2 = 66, n3 = 34, m1 = 17, m2 = 9,
m3 = 4. Conform Schemei bilei nentoarse n caz general, avemc probabilitateancauz ,
17 9 4
C100C66 C34
P30( 17,9,4 ) = 30

C200
100! 66! 34! 200!
) /( ) 0.0278641.
( 17! )( 83! ) ( 9! )( 57! ) ( 4! )( 30! ) ( 30! )( 170! )

2.11. Schema (repartiia) geometric. Consider m experimentul aleator, ce const in repetarea

unei probe Bernoulli, cu probabilitatea succesului p in fiecare proba, pna la prima inregistrare a
succesului. Atunciarelocurm toarea
Teorem. n schema descris mai sus, probabilitatea
P(k)=P{succesul se va realiza prima dat n proba cu numrul de ordine k }
se calculeaz conform formulei
P(k) = pqk1, k=1,2,... (17)
iar probabilitatea P(k)=P{ pna la producerea prima dat a succe-sului vor fi inregistrate exact k
insuccese} se calculeaz conform formulei
P(k) = pqk, k=0,1,2,... (17')
unde q = 1p.
Observaie. Distribuiadefinit deformula (17) se numete geometrica, trunchiat n zero, iar cea
definit deformula (17') se numete, pur i simplu, geometric.
Exemplul 11. 1) S secalculezeprobabilitateaapari iei fe ei 4,pentruprimadat ,laaruncareaa
zecea a unui zar perfect. 2) Care este probabilitatea evenimentului aleator B = la aruncarea unui
zar perfect, faa 3 nu va aprea mai devreme de primele 10 aruncri?
Rezolvare. 1) Cum p 1/6 i q = 11/6 5/6, din formula (8.1.17) ob inem P(10) = pq9 =
(1/6)(5/6)9==0.0323011.
2) Evenimentul B poatefidefinitiastfel:B = num rul4vaap reapentruprimadat laaruncarea
aunsprezecea,sauadou sprezecea,sauatreisprezecea,.... Deci
9765625
P(B) = P(11) + P(12) + P(13) + ... = ( 1 / 6 )( 5 / 6 )k 1 0.161506.
60466176

2.12. Teoreme Limit privind calculul valorilor aproximative ale probabilitii din schema
Binomial. Pentru n im relativ maricalcululprobabilit iiconformdistribuieiBinomialeprezint
maridificult i,dac nuseaplic SistemulMathematica.nacestcazsefolosescformuledecalculale
unorvaloriaproximativealeacesteiprobabilit i.Unadinacesteiformulerezult din
Teorema Limit Local Moivre-Laplace. Pentru valori intregi ale lui n, suficient de mari, are loc
urmtoarea formul de aproximare
1 k np
( )2
nk 1 2
Pn (k ) C p q
k k
e npq
, (18)
2npq
n

unde 0 p 1, iar Pn(k) este probabilitatea ca evenimentul aleator A cu P(A) = p, q = 1p, s va

realiza exact de k ori n urma a n probe Bernoulli cu probabilitatea succesului p in fiecare prob.
n cazul cnd probabilitatea p este aproape de 0 sau q este aproape de 1, atunci o mai bun
aproxima iene-oofer
Teorema Limita Poisson. Dac np tinde la un numr a>0, cnd n tinde la + iar p (0<p<1) tinde
la 0, atunci probabilitatea
Pn (k)= Cnk p k q n k
tinde la
a k a
e ,
k!
adic pentru n suficient de mare
a k a
Pn (k) e , (19)
k!
lund a = np.
Observaie. Serecomand caaceast formulas fieaplicat atunci,cnd npq 9, iar n celelelte
cazuri formula (18). Probabilit ile din partea dreapta a formulei (19) definesc, aa numita,
distribuie Poisson.
Ovaloareaproximativ aprobabilit iiPn(k1 ,k2) ca n urma a n experimenteindependentenum rul
total derealiz rialeevenimentuluialeatorA va fi cuprins ntre k1 ik2 poateficalculat ,aplicnd
Teorema Limit Central (forma Moivre-Laplace). Daca n tinde la +, atunci Pn(k1 ,k2) tinde la
k2 np k np
( ) ( 1 ),
npq npq
adica pentru n suficient de mare
k2 np k np
Pn (k1 , k2 ) ( ) ( 1 ), (20)
npq npq
unde (x) este funcia Laplace care se definete prin egalitatea
x
1
e t / 2dt .
2
(x) =
2 -
(21)

Formula(20)rezult diteoremaintegral Moivre-Laplace.

Avndladispozi ieSistemulMathematica,inmultecazuriputemaplicaformulaexactadecalcul,
dar si formulele (18) (21).Prinurmare,putemcercetaicomparaerorilecareseob inlaaplicarea
lor.
Exemplul 12. Presupunemcaprobabilitateac opies ,fabricat deouzin ,vaaveadefecteeste
egal cup = 0,01. 1) S secalculezeprobabilitateac din10000depieseluatelantmplare90vorfi
cu defect, folosind: a) distribuia Binomial (11);b) formula local Moivre-Laplace (18); c) formula
Poisson (19). 2) Careesteprobabilitateacanum ruldepiesecudefects fiecuprinsntre95i105?
Rezolvare. 1) a) Valoareaexact aprobabilit iic utateestedat deformulaBinomial :
P10000( 90 ) = C10000
90
( 0,01 )90( 0,99 )9910
10000!
( 0.01 )90( 0.99 )1000090 0.0250257.
( 90! )( 10000 90 )!
b) Conform formulei (18) avem
1 90100000.01 2
( )
1 10000 0.01 0.99 (10000 0.01)90 100000.01
P10000( 90 ) e 2 e
2 10000 0.01 0.99 90!
=0.0250389.
2) Conformformulelor(20)i(21)avem
105 10000 0.01 0,99
10000 0.01 0.99
1
e t / 2dt
2
P10000( 95 k 105 )
2
95 10000 0.1
10000 0.01 0.99
0.384697.