Probabiliti i

statistic
 CUPRINS

Introducere........................................................................................................... 7

Capitolul 1. Teoria probabilitilor................................................................... 11

1.1. Formalizarea experienelor aleatoare.............................................. 11
1.1.1. Evenimente........................................................................... 11
1.2. Relaii ntre evenimente................................................................... 12
1.3. Cmp de evenimente........................................................................ 14
1.4. Cmp de probabilitate...................................................................... 15
1.5. Reguli de calcul cu probabiliti...................................................... 17

Capitolul 2. Variabile aleatoare......................................................................... 27

2.1. Variabile aleatoare discrete.............................................................. 27
2.2. Vector aleator bidimensional........................................................... 32
2.3. Caracteristici numerice asociate variabilelor aleatoare.................... 36
2.4. Funcia caracteristic. Funcia generatoare de momente................. 51
2.5. Probleme rezolvate........................................................................... 53
2.6. Probleme propuse............................................................................. 66

Capitolul 3. Legi clasice de probabilitate (repartiii) ale variabilelor

aleatoare discrete............................................................................. 69
3.1. Legea discret uniform................................................................... 69
3.2. Legea binomial. Legea Bernoulli................................................... 71
3.3. Legea binomial cu exponent negativ. Legea geometric............... 79
3.4. Legea hipergeometric..................................................................... 83
3.5. Legea Poisson (legea evenimentelor rare) ...................................... 86

Capitolul 4. Legi clasice de probabilitate (repartiii) ale variabilelor

aleatoare continue.......................................................................... 91
4.1. Legea continu uniform (rectangular)......................................... 91
4.2. Legea normal (Gauss-Laplace). Legea normal standard (legea
normal centrat redus)................................................................. 95
4.3. Legea log-normal........................................................................ 105
4.4. Legea gamma................................................................................. 107
4.5. Legea beta..................................................................................... 112
4.6. Legea 2 (Helmert-Pearson) ........................................................ 114
4.7. Legea Student (t). Legea Cauchy.................................................. 119
4.8. Legea Snedecor. Legea Fisher...................................................... 123
4.9. Legea Weibull. Legea exponenial.............................................. 127

3
Capitol
ul 5.
Conve
rgena
variab
ilelor
aleato
are......
............
............
............ 13
.. 1
5.1.
Conver
gena
aproap
e
sigur
i
conver
gena
n
probab
ilitate.. 13
........ 1
5.2.
Legi
ale
numere
lor
mari i
aplicai
i .........
............
............
............ 13
.. 7
5.2.1.
Legea
slab...
............
............
............
............
............
............ 13
.7
5.2.2.13
 Legea
tare......
............
............
............
............
............
............8
5.3.
Conver
gena
n
reparti
ie.........
............
............
............
............ 14
....... 8
5.4.
Teore
ma
limit
central
.........
............
............
............
............
.......155
Capitol
ul 6.
Simula
rea
variab
ilelor
aleato
are .....
............
............
............
......163
6.1.
Simula
rea
reparti
iilor pe
dreapt
............
............
............
............
..164
 6.2.
Algorit
mul
general
:
teorem
a de
desco
mpune
re........
............
.........173
6.3.
Algorit
mi
special
i:
reparti
ii
unifor
me.......
............
............ 18
............ 0
Capitol
ul 7.
Statisti
c
descri
ptiv...
............
............
............
............
............ 18
..... 5
7.1.
Prezent
area
datelor
statisti
ce........
............
............
............
............ 18
.. 5
7.2.191
Caract
eristici
numeri
ce........
............
............
............
............
..........
7.3.
Corela
ie.
Regres
ie.........
............
............
............
............
............ 19
.... 6
Capitol
ul 8.
Teoria
seleci
ei.........
............
............
............
............
............ 20
......... 1
8.1.
Genera
rea
valoril
or
particu
lare ale
unei
variabi
le
aleatoa
re........ 20
.. 1
8.2.
Variabi
le de
eantio
nare.....
............
............
............
............ 20
........... 4
8.3.210
Legi
de
probab
 ilitate
ale
variabi
lelor
de
eantio
nare.....
............
...
Capitol
ul 9.
Teoria
estima
iei......
............
............
............
............
............ 21
......... 5
9.1.
Estima
tori
nedepl
asai....
............
............
............
............
............ 21
... 5
9.2.
Estima
tori de
maxim

verosi
militat
e..........
............
............ 21
........... 6
Capitol 21
ul 10. 9
Estima
rea
prin
interv
ale de
ncred
ere......
............
............
 ........
For
ma
gen
eral
a
inte
rva
lul
ui
de
nc
red
ere
......
......
......
......
10....... 21
1. ... 9
Int
erv
al
de
nc
red
ere
pen
tru
me
die.
......
......
......
......
......
......
10....... 22
2. .... 1
10. Int 22
3. erv 6
al
de
nc
red
ere
pen
tru
dif
ere
na
a
 dou

me
dii.
......
......
......
..
10.I
4.n
t
e
r
v
a
l

d
e

n
c
r
e
d
e
r
e

p
e
n
t
r
u

d
i
s
p
e
r
s
i
e

r
a
p
 o
r
t
u
l

d
o
u

dis
per
sii..
......
......
......
......
......
......
......
......
......
......
......
......
......
...... 22
.. 9
Capitol
ul 11.
Teoria
decizie
i...........
............
............
............
............
............ 23
...... 3
11. De 23
1. cizi 3
i
e
mp
iric
e .
......
......
......
......
 ......
......
......
......
......
......
......
....
De
cizi
i
stat
isti
ce..
......
......
......
......
......
......
......
......
......
......
......
11....... 23
2. . 3
Ipo
tez
e
stat
isti
ce..
......
......
......
......
......
......
......
......
......
......
......
11....... 23
3. . 4
11. Tes 23
4. te 4
stat
isti
ce..
......
......
 ......
......
......
......
......
......
......
......
......
......
....
Tip
uri
de
ero
ri...
......
......
......
......
......
......
......
......
......
......
......
11.......
5. ...234
Niv
el
de
se
mn
ific
aie
......
......
......
......
......
......
......
......
......
11.......
6.......235
11. Un 23
7. exe 6
mp
lu..
......
......
 ......
......
......
......
......
......
......
......
......
......
......
..
Rel
aia
din
tre
pro
bab
ilit
il
e
i
...
......
......
......
......
......
......
11....... 23
8. . 9
Put
ere
a
unu
i
test
......
......
......
......
......
......
......
......
......
......
......
11....... 24
9. ... 0

4
 nc

un
ex
em
plu
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
11. ..... 24
10. ... 2
Te
sta
rea
ir
uri
lor
bin
are
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
11. .....
11. . 243
11. Te 243
12. sta
rea
sta
tist
ic
 a
ir
uri
lor
bin
are
.....
.....
.....
.....
.....
.....
.....
.....
...
No
iu
ne
a
de
P-
val
oar
e...
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
11. ..... 24
13. . 5
11. Un 247
14. ex
em
plu
:
sta
tist
ic
rep
arti
zat

nor
ma
l....
.....
 .....
.....
.....
.....
.....
Alt
ex
em
plu
:
sta
tist
ic
rep
arti
zat

2.
.....
.....
.....
.....
.....
.....
11. ..... 24
15. ..... 9

An
aliz
a
reg
res
iei..
......
......
......
......
......
......
......
Ca ......
pit ......
olu ......
l ......
12. ..... 251
12.1
Mo 251
.del
e
de
reg
res
ie..
.....
 .....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
....
Mo
del
ul
lini
ar.
Est
im
are
a
par
am
etri
lor
mo
del
ulu
i
pri
n
me
12.2
tod
.a
cel 255
or
ma
i
mi
ci
pt
rat
e...
.....
.....
.....
.....
.....
.....
.....
.....
.....
 .....
.....
.....
....
Mo
del
ul
lini
ar
cla
sic
Ga
uss
-
Ma
rko
v.
Inf
ere
ne
12.3
asu
.pra
esti
ma
tori
lor
un
ui
mo
del
lini
ar..
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
. 259
12.4
Pre 265
.viz
iun
ea
i
ana
liz
a
rez
ult
 ate
lor
un
ei
reg
res
ii
lini
are
.....
.....
.....
.
Sta
tist
ic
Ba
yes
ian
i
no
iun
i
de
teo
ria
cre
dib
Ca ilit
pit ii
olu ......
l ......
13. . 281
Sta
tisti
c
Ba
yes
ian
....
......
......
......
......
......
......
......
......
......
13.1
......
.......281
13.2
Mo 289
.del
 ul
de
cre
dib
ilit
ate
B
hl
ma
nn.
.....
.....
.....
.....
.....
.....
.....
.....
.....

295
Bibliografie..............
..................................
..................................
......................

297
Anexe........................
..................................
..................................
.....................

5
 Introducere

Teoria probabilitilor i statistica matematic se aplic n majoritatea

domeniilor tiinei, ncepnd cu tiinele exacte i inginereti i finaliznd cu
tiinele socio-economice, n special acolo unde exist condiii de risc i
incertitudine i unde este necesar adoptarea unor decizii riguros argumentate.
Una dintre construciile de baz n fundamentele statisticii i teoriei
probabilitilor, precum i n justificarea aplicrii acestora n alte domenii, este
dat de legea numerelor mari teorem binecunoscut care i aparine
matematicianului Jakob Bernoulli (1654-1705), fiind aprut n lucrarea postum
Ars conjectandi (1713). Printre ali matematicieni care au rmas celebri n
teoria probabilitilor i statistic, i amintim pe: de Moivre, Laplace, Gauss,
Bertrand, Poincar, Cebev, Liapunov, Markov, Borel, Kolmogorov, Glivenko.
De asemenea, coala romneasc de probabiliti, fondat de Octav Onicescu, i
reprezentat de nume precum Gheorghe Mihoc i Marius Iosifescu, a adus
contribuii semnificative n dezvoltarea acestui domeniu.
Cartea de fa i propune s vin n sprijinul studenilor care au ca
disciplin de studiu, n cadrul a diferite specializri, disciplina Probabiliti i
statistic, oferindu-le acestora o gam larg de aspecte teoretice, nsoite de
exemple i aplicaii. Ca structur, cartea se fundamenteaz pe baza a treisprezece
capitole, ase dintre acestea fiind dedicate Teoriei probabilitilor, respectiv apte
capitole, Statisticii matematice.
n Capitolul 1, sunt prezentate concepte de baz ale teoriei
probabilitilor, mai precis, experiene aleatoare, evenimente, probabilitate,
reguli de calcul cu probabiliti, n timp ce n Capitolul 2, sunt abordate noiuni
precum variabile aleatoare, caracteristici numerice ale variabilelor aleatoare,
funcia caracteristic, funcia generatoare de momente. n Capitolul 3 sunt
prezentate principalele legi de probabilitate ale variabilelor aleatoare discrete i
anume: legea discret uniform, legea binomial i cazul su particular legea
Bernoulli, legea binomial cu exponent negativ i cazul particular legea
geometric, legea hipergeometric i legea Poisson (legea evenimentelor rare),
iar n Capitolul 4 sunt prezentate principalele legi de probabilitate ale
variabilelor aleatoare continue, i anume: legea continu uniform (rectangular),
legea normal (Gauss-Laplace), legea log-normal, legea gamma, legea beta,
legea 2 (Helmert-Pearson), legea Student (t) i cazul su particular legea Cauchy,
legea Snedecor i legea Fisher, legea Weibull i cazul su particular, legea
exponenial. Capitolul 5 se construiete n jurul convergenei, de diferite tipuri,
a variabilelor aleatoare, fiind menionate convergena aproape sigur,
convergena n probabilitate, convergena n repartiie, precum i legile
numerelor mari i teorema limit central. Partea aferent teoriei probabilitilor
se ncheie cu Capitolul 6, dedicat algoritmilor de simulare a variabilelor
aleatoare. n Capitolul 7, se studiaz elemente de
7
statistic descriptiv i aspecte privind organizarea datelor, ct i analiza
acestora, punndu-se accentul pe modalitile de reprezentare, dar i pe gsirea
diverselor mrimi caracteristice. Noiunile sunt nsoite de exemple adecvate i
actuale. n Capitolul 8 sunt prezentate noiuni de teoria seleciei, ncepnd cu
descrierea generrii unor valori particulare ale variabilelor aleatoare discrete sau
continue i continund cu legi de probabilitate ale variabilelor de eantionare.
Capitolul 9 conine o scurt introducere n teoria estimaiei. Se prezint, cu multe
exemple, conceptele de estimator nedeplasat i estimator de maxim
verosimilitate. n Capitolul 10, sunt prezentate intervalele de ncredere pentru
principalii parametri statistici. Astfel, capitolul debuteaz cu fundamentarea
formei generale a unui interval de ncredere, ca metod de estimare statistic,
dup care sunt prezentate pe rnd, intervalul de ncredere pentru medie,
incluznd cazul cnd dispersia este necunoscut, respectiv cazul particular al
unei proporii, apoi interval de ncredere pentru diferena a dou medii, respectiv,
interval de ncredere pentru dispersie i pentru raportul a dou dispersii, toate
acestea nsoite de exemple practice. Capitolul 11 prezint succint teoria deciziei.
Sunt descrise noiunile de ipotez statistic, test statistic, tipuri de erori, nivel de
semnificaie, putere a unui test, p-valoare. Exemplele sunt luate din practica
testrii irurilor binare n ceea ce privete caracterul aleator. n Capitolul 12, sunt
prezentate tehnici de analiz a regresiei, att prin intermediul aspectelor
teoretice, ct i prin intermediul unor exemple. n primul paragraf sunt trecute n
revist noiunile de baz, fiind definite diverse tipuri de modele de regresie,
urmnd ca n ultimele trei paragrafe spaiul s fie alocat cu precdere modelului
liniar. Astfel, este prezentat metoda celor mai mici ptrate n estimarea
parametrilor necunoscui ai unui model liniar multiplu, sunt realizate inferene
asupra estimatorilor unui model liniar n ipotezele clasice Gauss-Markov,
capitolul ncheindu-se cu aspecte care in de previziunea i analiza rezultatelor
unei regresii liniare. Cartea se ncheie cu Capitolul 13 n care sunt abordate
aspecte care in de statistica bayesian i noiuni de teoria credibilitii.
Cartea de fa a fost elaborat n cadrul proiectului
POSDRU/56/1.2/S/32768, Formarea cadrelor didactice universitare i a
studenilor n domeniul utilizrii unor instrumente moderne de predare-nvare-
evaluare pentru disciplinele matematice, n vederea crerii de competene
performante i practice pentru piaa muncii, de ctre un colectiv de autori, cadre
didactice universitare, astfel: capitolele 1 i 2, Lucia Cbulea, capitolele 3 i 4,
Rodica Luca-Tudorache, capitolele 5, 6 i 13, Gheorghi Zbganu, capitolele 7
i 8, Ariana Pitea, capitolele 9 i 11, Ioan Rasa, respectiv capitolele 10 i 12,
Nicoleta Breaz.
Finanat din Fondul Social European i implementat de ctre Ministerul
Educaiei, Cercetrii, Tineretului i Sportului, n colaborare cu The Red Point,
Oameni i Companii, Universitatea din Bucureti, Universitatea Tehnic de
Construcii din Bucureti, Universitatea Politehnica din Bucureti,
Universitatea din Piteti, Universitatea Tehnic Gheorghe Asachi din Iai,
Universitatea de Vest din Timioara, Universitatea Dunrea de Jos din Galai,
Universitatea Tehnic din Cluj-Napoca, Universitatea 1 Decembrie 1918 din
8
Alba-Iulia, proiectul contribuie n mod direct la realizarea obiectivului general al
Programului Operaional Sectorial de Dezvoltare a Resurselor Umane
POSDRU i se nscrie n domeniul major de intervenie 1.2 Calitate n
nvmntul superior.
Proiectul are ca obiectiv adaptarea programelor de studii ale disciplinelor
matematice la cerinele pieei muncii i crearea de mecanisme i instrumente de
extindere a oportunitilor de nvare.
Evaluarea nevoilor educaionale obiective ale cadrelor didactice i
studenilor legate de utilizarea matematicii n nvmntul superior, masterate i
doctorate precum i analizarea eficacitii i relevanei curriculelor actuale la
nivel de performan i eficien, n vederea dezvoltrii de cunotine i
competene pentru studenii care nva discipline matematice n universiti,
reprezint obiective specifice de interes n cadrul proiectului. Dezvoltarea i
armonizarea curriculelor universitare ale disciplinelor matematice, conform
exigenelor de pe piaa muncii, elaborarea i implementarea unui program de
formare a cadrelor didactice i a studenilor interesai din universitile partenere,
bazat pe dezvoltarea i armonizarea de curriculum, crearea unei baze de resurse
inovative, moderne i funcionale pentru predarea-nvarea-evaluarea n
disciplinele matematice pentru nvmntul universitar sunt obiectivele
specifice care au ca rspuns materialul de fa.
Formarea de competene cheie de matematic i informatic presupune
crearea de abiliti de care fiecare individ are nevoie pentru dezvoltarea
personal, incluziune social i inserie pe piaa muncii. Se poate constata ns c
programele disciplinelor de matematic nu au ntotdeauna n vedere identificarea
i sprijinirea elevilor i studenilor potenial talentai la matematic. Totui,
studiul matematicii a evoluat n exigene pn a ajunge s accepte provocarea de
a folosi noile tehnologii n procesul de predare - nvare - evaluare pentru a face
matematica mai atractiv.
n acest context, analiza flexibilitii curriculei, nsoit de analiza
metodelor i instrumentelor folosite pentru identificarea i motivarea studenilor
talentai la matematic ar putea rspunde deopotriv cerinelor de mas, ct i
celor de elit.
Viziunea pe termen lung a acestui proiect preconizeaz determinarea unor
schimbri n abordarea fenomenului matematic pe mai multe planuri: informarea
unui numr ct mai mare de membri ai societii n legtur cu rolul i locul
matematicii n educaia de baz n instrucie i n descoperirile tiinifice menite
s mbunteasc calitatea vieii, inclusiv popularizarea unor mari descoperiri
tehnice, i nu numai, n care matematica cea mai avansat a jucat un rol
hotrtor. De asemenea, se urmrete evidenierea a noi motivaii solide pentru
nvarea i studiul matematicii la nivelele de baz i la nivel de performan;
stimularea creativitii i formarea la viitorii cercettori matematicieni a unei
atitudini deschise fa de nsuirea aspectelor specifice din alte tiine, n scopul
participrii cu succes n echipe mixte de cercetare sau a abordrii unei cercetri
inter i multidisciplinare; identificarea unor forme de pregtire adecvat de
matematic pentru viitorii studeni ai disciplinelor
9
matematice, n scopul utilizrii la nivel de performan a aparatului matematic n
construirea unei cariere profesionale.

10
 Capitolul 1

Teoria probabilitilor

1.1. Formalizarea experienelor aleatoare

1.1.1. Evenimente

Definiia 1.1.1. Realizarea practic a unui ansamblu de condiii bine precizat

poart numele de experien sau prob.

Definiia 1.1.2. Prin eveniment vom nelege orice rezultat al unei experiene
despre care putem spune c s-a realizat sau c nu s-a realizat, dup efectuarea
experimentului considerat. Evenimentele se pot clasifica n: evenimente sigure;
evenimente imposibile, evenimente aleatoare.

Definiia 1.1.3. Evenimentul sigur este evenimentul care se produce n mod

obligatoriu la efectuarea unei probe i se noteaz cu .

Definiia 1.1.4. Evenimentul imposibil este evenimentul care n mod obligatoriu

nu se produce la efectuarea unei probe i se noteaz cu .

Definiia 1.1.5. Evenimentul aleator este evenimentul care poate sau nu s se

realizeze la efectuarea unei probe i se noteaz prin litere mari A, B, C, , sau
prin litere mari urmate de indici Ai, Bi,.

Definiia 1.1.6. Evenimentul contrar evenimentului A se noteaz i este

evenimentul ce se realizeaz numai atunci cnd nu se realizeaz evenimentul A.

Definiia 1.1.7. Un eveniment se numete:

1) elementar dac se realizeaz ca rezultat al unei singure probe; se
noteaz cu .
2) compus dac acesta apare cu dou sau mai multe rezultate ale
probei considerate.

Definiia 1.1.8. Mulimea tuturor evenimentelor elementare generate de un

experiment aleator se numete spaiul evenimentelor elementare (spaiul de
selecie) i se noteaz cu . Acesta poate fi finit sau infinit.

11
Observaia 1.1.9. O analogie ntre evenimente i mulimi permite o scriere i n
general o exprimare mai comode ale unor idei i rezultate legate de conceptul de
eveniment. Astfel, vom nelege evenimentul sigur ca mulime a tuturor
evenimentelor elementare, adic: 1 , 2 ,..., n i orice eveniment compus
ca o submulime a lui . De asemenea, putem vorbi despre mulimea tuturor
prilor lui pe care o notm prin P( ), astfel c pentru un eveniment compus
A putem scrie, n contextul analogiei dintre evenimente i mulimi, c A
sau A P() .

Exemplul 1.1.10. Fie un zar, care are cele ase fee marcate prin puncte de la 1
la 6. Se arunc zarul pe o suprafa plan neted. Dac notm cu i =
evenimentul "apariia feei cu i puncte",i 1,6 , atunci spaiul evenimentelor
elementare ataat experimentului cu un zar este dat prin ={ 1 , 2 , 3 , 4 , 5 , 6 }.

Evenimentul sigur este "apariia feei cu un numr de puncte 6".

Evenimentul imposibil este "apariia feei cu 7 puncte".

1.2. Relaii ntre evenimente

AB
Definiia 1.2.1. Spunem c evenimentul A implic evenimentul B i scriem ,
dac realizarea evenimentului A atrage dup sine i realizarea evenimentului B.

AB
Observaia 1.2.2. i B C rezult A C - proprietatea de tranzitivitate
a relaiei de implicare.

Definiia 1.2.3. Spunem c evenimentele A i B sunt echivalente (egale) dac

AB BA
avem simultan i .
Definiia 1.2.4. Prin reunirea evenimentelor A i B vom nelege evenimentul
notat A B care const n realizarea a cel puin unuia dintre evenimentele A i
B. Deoarece evenimentele A i B sunt submulimi formate cu evenimentele
elementare ale spaiului , rezult c reunirea evenimentelor poate fi scris
astfel:
AB / A sau B

Observaia 1.2.5. Dac notm prin K mulimea tuturor evenimentelor asociate

unui experiment aleator avem:
1. A, B K A B B A (comutativitatea);
2. A, B, C K (A B) C A (B C) (asociativitatea);

12
 3. Dac A, B K i A B A B B (evident A , A
A , i A A ).

Definiia 1.2.6. Prin intersecia evenimentelor A i B vom nelege evenimentul

notat A B care const n realizarea simultan a ambelor evenimente.
Intersecia evenimentelor A i B poate fi scris sub forma:
AB / Ai B

Observaia 1.2.7. Au loc relaiile urmtoare:

1. A, B K A B B A (comutativitatea)
2. A, B, C K (A B) C A (B C) (asociativitatea)
3. Dac A, B K i A B atunci A B A (evident A A , A
= , = i A A A ).
4. A K A A

Definiia 1.2.8. Spunem c evenimentele A i B sunt incompatibile dac A B

, adic realizarea lor simultan este imposibil, i spunem c sunt compatibile
dac A B , adic este posibil realizarea lor simultan. Evenimentele A i
B sunt contrare unul altuia dac A B i A B , adic realizarea unuia
const din nerealizarea celuilalt.

Definiia 1.2.9. Se numete diferena evenimentelor A i B, evenimentul notat A-

B care se realizeaz atunci cnd se realizeaz evenimentul A i nu se realizeaz
evenimentul B. Diferena evenimentelor poate fi scris sub forma:
AB / Ai B

Observaia 1.2.10. Evident avem A B A B i E A A .

Au loc relaiile lui De Morgan: A B A B i A B A B i
respectiv generalizrile Ai Ai ; Ai Ai .
iI iI iI iI

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

urmtoarele afirmaii:
i) A B = A (A B)
ii) A B = (A B) B
iii) A = (A B) (A B)
iv) (A B) (B A) =
v) A B = A [B - (A B)]
vi) A (B C) = (A B) - (A C)
vii) (A B) (C D) = (A C) (B D)

13
Definiia 1.2.12. Evenimentele A i B sunt dependente dac realizarea unuia
depinde de realizarea celuilalt i sunt independente dac realizarea unuia nu
depinde de realizarea celuilalt.
O mulime de evenimente sunt independente n totalitatea lor dac sunt
independente cte dou, cte trei etc.
Pentru evenimentele independente n totalitatea lor vom folosi i
denumirea de evenimente independente.

1.3. Cmp de evenimente

Definiia 1.3.1. O mulime nevid de evenimente K P() se numete corp

dac satisface axiomele:
i) A K A K
ii) A, B K A B K .
Cuplul ( , K) se numete cmp finit de evenimente, n cazul n care K
este un corp.

Observaia 1.3.2.
1. ntr-un cmp finit de evenimente ( , K) sunt adevrate afirmaiile:
a. A, B K A B K
b. Evident K i K .
c. Dac A, B K atunci A B K .
2. Dac mulimea evenimentelor elementare este numrabil, o mulime
K P() se numete corp borelian (sau -corp, sau -algebr) pe , n condiiile:

i) A K A K ,
ii) dac I N, I i Ai K, i I , atunci Ai K ,
iI
iii) K .
Perechea ( , K) n care K este un -corp se numete cmp borelian
(cmp infinit) de evenimente.

Definiia 1.3.3. ntr-un cmp finit de evenimente ( , K), evenimentele Ai K , i

1, n , formeaz un sistem complet de evenimente (sau o partiie a cmpului)
dac:
n

i) Ai
i1

ii) Ai A j i j, i, j 1, n

14
Observaia 1.3.4. Evenimentele elementare i , i 1, n, corespunztoare unei
probe formeaz un sistem complet de evenimente care se mai numete sistem
complet elementar.

Propoziia 1.3.5. Dac 1 , 2 ,..., n atunci cmpul de evenimente

n
corespunztor conine 2 evenimente.

Demonstraie
Pentru un experiment de n rezultate elementare i prin urmare pentru un
eveniment sigur compus din n evenimente elementare, vom avea diverse
evenimente compuse din acestea dup cum urmeaz:
evenimente compuse din cte zero evenimente elementare Cn0
evenimente compuse din cte un eveniment elementar Cn1
evenimente compuse din cte dou evenimente elementare Cn2
----------------
evenimente compuse din cte k evenimente elementare Cnk
evenimente compuse din cte n evenimente elementare Cnn
i prin urmare, numrul total de evenimente ale lui K este egal cu
Cn0 Cn1 ... Cnk ... Cnn 2n

1.4. Cmp de probabilitate

Definiia 1.4.1.(axiomatic a probabilitii) Fie ( , K) un cmp finit de

evenimente. Se numete probabilitate pe cmpul considerat o funcie P : K R
care satisface axiomele:
i) P(A) 0, A K ,
ii) P( )=1,
iii) P(A B) P(A) P(B), A, B K, i A B .

Definiia 1.4.2. Se numete cmp finit de probabilitate tripletul { , , K, P}

unde cuplul ( , K) este un cmp finit de probabilitate, iar P : K R este o
probabilitate pe K.

Observaia 1.4.3. n cazul n care cmpul de evenimente ( , K) este infinit (K

este infinit) probabilitatea P definit pe K satisface axiomele:
i) P(A) 0,A K
ii) P( )=1

15

Aj

i
j,
i,
j
I,
dac Ai


iii) PAi

P Ai Ai K,

iI iI
I-o mulime de indici cel mult numrabil.

Propoziia 1.4.4. Au loc relaiile:

1. P 0

2. P A 1 PA
n n
PAi
dac Ai Aj
i j, i, j 1,
A
3. P i n
i1i1

Demonstraie
1) Din relaiile = i = aplicnd axioma iii) din
definiia probabilitii avem P( ) = P( ) = P() + P( ) i rezult P() =
0
2) Din relaiile A A i A A aplicnd axioma iii) din
definiia probabilitii avem P(A A) P(A) P(A) adic
P() P(A) P(A) i rezult P(A) 1 P(A)
3) Demonstrm prin inducie matematic

Pentru n = 2 P(A1 A2) = P(A1) + P(A2) relaia este adevrat conform

axiomei iii) din definiia probabilitii.
Presupunem relaia adevrat pentru n 1 evenimente, adic
n
n1 1
P
Ai P(Ai ) i demonstrm
pentru n evenimente
i
i1 1

n

n n1 1 nn
Ai An P Ai P(An )
A P
P i P(Ai ) P(An ) P(Ai )
 i
i
i1 i1 1 i1
n1

.
An
dac s-a folosit ipoteza de inducie i s-a inut seama c Ai
i1

Definiia 1.4.5. (clasic a probabilitii) Probabilitatea unui eveniment A este

egal cu raportul dintre numrul evenimentelor egal probabile favorabile
evenimentului A i numrul total al evenimentelor egal probabile.
Alt formulare: probabilitatea unui eveniment este raportul ntre
numrul cazurilor favorabile evenimentului i numrul cazurilor posibile.

Observaia 1.4.6.
1) Conform acestei definiii nu putem stabili probabilitatea unui
eveniment ce aparine unui cmp infinit de evenimente.
2) Definiia clasic se aplic numai atunci cnd evenimentele
elementare sunt egal posibile.
16
Exemplul 1.4.7. Considerm experiena de aruncare a unui zar. Evenimentele
elementare sunt egal posibile i avem 6 cazuri posibile. Notm cu A evenimentul
"apariia unei fee cu numr par de puncte 6 " numrul cazurilor favorabile
3 1

evenimentului A este 3. Deci P(A) .

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

bil la ntmplare. Se consider evenimentele:
A = obinerea unui numr prim;
B = obinerea unui numr par;
C =obinerea unui numr divizibil prin 3.
S calculm probabilitile acestor evenimente.

Rezolvare
n aceast experien aleatoare numrul total al cazurilor posibile este
15.
Pentru A numrul cazurilor favorabile este 6, adic {2, 3, 5, 7, 11, 13},
6 2

deci P(A) .
Pentru B numrul cazurilor favorabile este 7, adic {2, 4, 6, 8, 10, 12,
7

14}, deci P(B) .

Pentru C, numrul cazurilor favorabile este 5, adic { 3, 6, 9, 12, 15},
5 1

deci P(C) .

1.5. Reguli de calcul cu probabiliti

P1) Probabilitatea diferenei: Dac A, B K i A B atunci

P(B-A)=P(B)-P(A)

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

Demonstraie
Din relaiile A B A B (A B) i A B (A B)
aplicnd axioma iii) avem
P(A B) P(A) PB (A B) P(A) P(B) P(A B)

17
 dac s-a folosit P1.
Generalizare:
Dac A1,A2,An sunt evenimente compatibile atunci
n n n n
Ak ) ...
P(Ai ) P(Ai Aj ) P(Ai (1)n1
A A
P i Aj P i
i1 i1 i, j1 i jk i1
i

j
at P(A B)
u
n
ci
r
a
p
o
P3) condiion P(B) rt
Probabiliti ate: Dac 0 ul l
P(B)
numim probabilitatea lui A condiionat de B i B)
notm PB(A) sau P(A .

Demonstraie
Artm
c PB satisface axiomele
(A) probabilitii:
i P B (A) 0 P(A B) 0 i
) deoarece P(B) 0
P(
P B
ii (E) P(
) E) B) 1
B
P(B) P(B)
iii) Fie A1 i A2 K i A1 A2 . Avem
PB (A A ) P(B A ) (B A )
PB (A1 A2 ) 1 2 1 2
P(B) P(B)
,
P(B A ) P(B A ) P(B A ) P(B A )
1 2 1 2 PB (A1 ) PB (A2 )
P(B)P(B)P(B)
dac (B A1 ) (B A2 ) .

Observaia 1.5.1.
1) Oricrui cmp de evenimente ( ,K) i putem ataa un cmp de
probabilitate condiionat { , K, PB}.
2) P(A B) P(B) PB (A) - formula de calcul a interseciei a dou
 evenimente dependente. Are loc o generalizare: dac A1, A2, An sunt evenimente dependente
atunci
n (A
2 (A3 )....Pn 1 (An ).
A
) i

i 1

P
Ai A1

P(A1 )
P PA1 A2

i1
3) Dac evenimentele A i B sunt independente atunci PB(A)=P(A) i
P(A B) P(A) P(B) - formula de calcul a interseciei a dou evenimente
independente.

Generalizare:
Dac A1, A2, An sunt evenimente independente atunci
n n
P Ai P(Ai ) .
i1 i1

18
 4) Dac evenimentele A i B se condiioneaz reciproc i
P(A) 0, P(B) 0 atunci P(A) PA (B) P(B) PB (A) .
P4) Probabilitatea reunirii evenimentelor independente. Dac A1, A2, An sunt
n n
evenimente independente, atunci: P Ai 1 1 P(Ai )
i

i1 1

Demonstraie
n n

i
fa
pt
ul
c

Folosi A sun
nd relaiile lui De MorganAi Ai i t
i

i1 1
evenimente independente implic
n n n n n

PAi 1 P Ai 1 P Ai 1 P(Ai ) 1 1 P(Ai )
i

i1 i1 i1 i 1 1

P5) Inegalitatea lui Boole: A1, A2, An, sunt evenimente dependente atunci
n n n
P Ai P(Ai ) (n 1) 1 P(Ai )
i1 i 1 i1

Demonstraie
Verificm inegalitatea din enun prin inducie matematic.
av
Pentru e dac
n = 2 m P(A1 A2 ) P(A1 ) P(A2 ) P(A1 A2 )
P(A1 A2 ) 1 i rezult P(A1 A2 ) P(A1 ) P(A2 ) 1 relaia este adevrat. Presupunem
inegalitatea adevrat pentru n-1 adic
n1 n1

Ai 1

P P(Ai ) A P A
P i i
i1 i1
Avem
succesiv
n i

i1 1
n
 1
(n 2) i demonstrm pentru n.


A P A
n i

n

P( i
A)
n 1

1
n1 n

P(Ai ) (n 2) P(An ) 1 P(Ai ) (n 1)

i1 i1
dac s-a inut seama de ipoteza de inducie.

P6) Formula probabilitii totale: Dac A1A2, An este un sistem complet de

n

evenimente i X K atunci P(X)= P(Ai ) PAi (X).

i 1

19
 Demonstraie
Din ipoteza c Ai, i 1, n este un sistem complet de evenimente rezult
c X (A1 X ) (A2 X ) ... (An X )
Deoare
ce Ai , i i, j 1, n
Aj j, avem c
(X Ai ) (X
Aj ) , i j, i, j
1,n
Avem
succesi
v
n n n
P(X
) (Ai X ) P(Ai X )
P P(Ai ) PA (X )
i
i

i1 1
P7) Formula lui Bayes: Dac A1, A2, An este un sistem complet de evenimente al cmpului ( ,
K) i X K atunci:
P(
A
i)

P
Ai (X)
PX(
Ai )
= n , i 1, n
P(Ai ) PAi (X)
i 1

Demonstr
aie
D
e
o
a
r
e
c P(X Ai ) P(X ) PX (Ai )
e i
P(X Ai ) (X ) a P( (Ai (X
P(Ai ) PA v X) ) ),
e P( dec
m PX Ai ) i

i i
PA
P(
Ai ) P(Ai )
PA
PA (X ) (X )
(Ai i i
dac s-a
folosit
PX ) P( n formula
X)
P(A
PAi
i ) (X )
i 1
probabilitii totale.

Exemplul 1.5.2. Cele 26 de litere ale alfabetului, scrise fiecare pe un cartona,

sunt introduse ntr-o urn. Se cere probabilitatea ca extrgnd la ntmplare de
5 ori cte un cartona i aezndu-le n ordinea extragerii s obinem cuvntul
LUCIA.

Rezolvare
Notm prin X evenimentul cutat, deci de a obine prin extrageri
succesive cuvntul LUCIA, de asemenea notm prin A 1 = evenimentul ca la
prima extragere s obinem litera L; A2 = evenimentul ca la a doua extragere s
obinem litera U; A3 = evenimentul ca la a treia extragere s obinem litera C; A4
= evenimentul ca la a patra extragere s obinem litera I; A5 = evenimentul ca la
a cincea extragere s obinem litera A.
Atunci evenimentul X are loc dac avem
X A1 A2 A3 A4 A5 .
Rezult:

20
 P(X ) P(A1 ) P(A2 A1 ) P(A3 A1 A2 ) P(A4 A1 A2 A3 )
P(A5 A1 A2 A3
1 1 1
A4 )
1 1
. 26 25 24 23
22

Exemplul 1.5.3. Dac probabilitatea ca un automobil s plece n curs ntr-o

diminea friguroas este de 0,6 i dispunem de dou automobile de acest fel,
care este probabilitatea ca cel puin unul din automobile s plece n curs ntr-o
diminea friguroas?

Rezolvare
Dac notm prin A1 i A2 evenimentele ca primul respectiv, al doilea
automobil s plece n curs i prin X evenimentul cutat, deci ca cel puin unul
dintre automobile s plece n curs, avem: X A1 A2 , iar P(X) P(A1 A2 )
P(A1 ) P(A2 ) P( A1 A 2 ), deoarece evenimentele A1 i A2 sunt
compatibile (cele dou automobile pot s plece n curs deodat). Cum P( A1 ) =
P( A2 ) = 0,6, iar evenimentele A1 i A2 sunt independente ntre ele (plecarea unui
automobil nu depinde de plecarea sau neplecarea celuilalt), deci P( A 1 A 2 ) =
P( A1 )P(A2 ) = (0,6)2 . Se obine c P(X) = 0,6 + 0,6 - (0,6)2 = 0,84.

Exemplul 1.5.4. Trei secii ale unei ntreprinderi S1 ,S2 ,S3 depesc planul
zilnic de producie cu probabilitile de respectiv 0,7; 0,8 i 0,6. S se calculeze
probabilitile evenimentelor:
A - cel puin o secie s depeasc planul de producie.
B - toate seciile s depeasc planul de producie.

Rezolvare
Fie Ai evenimentul ca secia Si s depeasc planul de producie.
Avem: A = A1 A2 A3 , deci
P(A) = P (A1 A2 A3 ) 1 P(A1 A2 A3 ) = 1 P(A1 ) P(A2 ) P(A3 ) =
1- (1-0,7)(1-0,8)(1-0,6) = 1 0,3 0,2 0,4 0,976 .
B = A1 A2 A3 i innd seama de independena evenimentelor, avem:
P(B) = P(A1 A2 A3 ) P(A1 ) P(A2 ) P(A3 ) 0,7 0,8 0,6 0,336 .

Exemplul 1.5.5. O pres este considerat c satisface standardul de fabricaie

dac trei caracteristici sunt satisfcute. Dac aceste caracteristici A, B i C sunt
sat 9, 7 i 11 ,
isf P( P( at
c B) C) un
ute = = ci
cu
pro
ba
bili
ti
le
P(
A)
=
10 11 12
probabilitatea ca s fie satisfcute toate trei caracteristicile se poate evalua cu
formula lui Boole. Astfel se poate scrie:

21

P( A B C) 1 P(A) P(B) P(C) , adic
1 4 1 229
P( A
B
C)
1
.
10 11 12 660

Exemplul 1.5.6. Un sortiment de marf dintr-o unitate comercial provine de la

1 1
trei fabrici diferite n proporii, respectivde la prima fabric, de la a doua
3 6
fabric i restul de la fabrica a treia. Produsele de la cele trei fabrici satisfac
standardele de fabricaie n proporie de 90%, 95% i respectiv 92%. Un client
ia la ntmplare o bucat din sortimentul de marf respectiv.
a) Care este probabilitatea ca produsul s satisfac standardele de
fabricaie?
b) Care este probabilitatea ca produsul s fie defect i s provin de la
prima fabric?

Rezolvare
a) Notm cu A1 , A2 i A3 evenimentele ca produsul cumprat s fie de
la prima, a doua, respectiv a treia fabric. Aceste trei evenimente formeaz un
sist 1 1
em
co
mp
let
de
eve
ni
me
nte
i
au
pro
bab
ilit
il
e ,
P( P(
A1 A2
) ) i
3 6
1
P(A3 ) . Dac A este evenimentul c produsul cumprat de client satisface 2
standardele de fabricaie, atunci P(A A1 ) 0,90, P( A A2 ) 0,95 i
P( A A3 ) 0,92 . Folosind formula probabilitii totale se obine:
 P(A) P(A1 ) P(A A1) P(A2 ) P(A A2 ) P(A3 ) P(A A3 )
1 1 1 5,51
0,90 0,95 0,92 0,918
9 6 2 6
b) Folosind formula lui Bayes, avem:
P(A1 )P(A A1 )
P( A1 A)
A2 ) P(A3
P(A1 )P(A A1 ) P(A2 )P(A )P(A A3 )
1
3 0,10 0,2
0,4
= 1 1 1 9 0,408.
0,05
3 0,10 6 2 0,08

Exemplul 1.5.7. Un student solicit o burs de studii la 3 universiti. Dup

trimiterea actelor necesare, acesta poate obine burs de la universitatea i (Ui)
sau nu (Ui ) , 1 i 3 . Scriei evenimentele ce corespund urmtoarelor situaii :
a) primete o burs;

22
 b) primete cel mult o burs;
c) primete cel puin o burs;
d) primete cel puin dou burse.

Rezolvare
a) Bursa primit poate fi de la prima universitate, caz n care celelalte
nu-i acord burs, sau de la a doua, caz n care prima i a treia nu-i acord burs,
sau de la a treia, caz n care primele dou nu-i acord burs. Avem astfel
evenimentul
A (U1 U2 U3 ) (U1 U2 U3 ) (U1 U2 U3 ) .
b) Avem dou variante : studentul nu primete nici o burs sau studentul
primete o burs. Obinem evenimentul
B (U1 U2 U3 ) A .
c) Evenimentul poate fi scris ca reuniunea a trei evenimente : studentul
primete o burs, dou burse, trei burse. Astfel C A E F , unde
E (U1 U2 U3 ) (U1 U2 U3 ) (U1 U2 U3 )
, iar F U1 U2 U3 .
d) Avem D E F . Altfel, evenimentul D este contrar evenimentului
B, deci D B (U1 U2 U3 ) A .

Exemplul 1.5.8. ntr-un grup de studeni aflai n excursie se gsesc 6 fete i 9

biei. Se aleg la ntmplare doi studeni pentru a cerceta traseul. Care este
probabilitatea ca cei doi s fie :
a) biei;
b) fete;
c) un biat i o fat;
d) cel puin un biat;
e) primul biat i a doua fat;
f) de acelai sex.

Rezolvare
Notm cu A1 i A2 evenimentele alegerii unui biat la prima, respectiv a
doua alegere. La primul punct avem de calculat probabilitatea P(A1 A2 ) .
ntruct a doua alegere depinde de prima avem :
9 8 12

P(A1 A2 ) P(A1 )P(A2 A1 ) ,

deoarece alegnd un biat mai rmn n grup 14 studeni ntre care 8 biei.
Evenimentul de la punctul b) se scrie astfel : B A1 A2 . Deci
6 5 1

P(B) P(A1 A2 ) P(A1 )P(A2 A1 ) .

23
 Evenimentul de la punctul c) este C (A1 A2 ) (A2 A1 ) aadar
P(C) P(A1 A2 ) P(A2 A1) , (A1 A2 , A2 A1 sunt incompatibile)
9 6

Dar P(A1 A2 ) P(A1 )P(A2 / A1 ) ,

6 9

iar P(A2 A1 ) P(A1 )P(A2 / A1 )

9 6 18

de unde P(C) 2 .

Am obinut i probabilitatea evenimentului de la punctul e) P(A1 A2 ) .

Evenimentul de la punctul d) se exprim astfel : D A1 A2 .
El este contrar evenimentului : B A1 A2 , prin urmare
1 6
P(D) 1 P(B) 1 . Evenimentul de la ultimul punct f) este
77
F (A1 A2 ) (A1 A2 ) . Cum (A1 A2 ) (A1 A2 ) cele
dou evenimente sunt incompatibile i deci
12 1 17

P(F ) P(A1 A2 ) P(A1 A2 ) .

Exemplul 1.5.9. La un examen de licen particip mai muli absolveni, ntre

care numai trei din strintate. Probabilitatea ca primul student s promoveze
este , probabilitatea ca al doilea s promoveze este 4/5, iar pentru al treilea
5/6. S se determine probabilitile ca :
a) toi cei trei studeni s promoveze;
b) cel puin unul s promoveze examenul.

Rezolvare
Fie Ai evenimentul promovrii examenului de ctre studentul i, i=1,2,3.
Evenimentul de la punctul a) este A A1 A2 A3 , iar de la punctul b) este B
A1 A2 A3 . Evenimentele Ai sunt independente (rezultatele celor 3 studeni
nedepinznd unul de celelalte), deci
345 1

P(A) P(A1 )P(A2 )P(A3 ) .

Folosind proprietile probabilitii avem :

P(B) P(A1 A2 A3 ) P(A1 A2 ) P(A3 ) P((A1 A2 ) A3 )

P(A1 ) P(A2 ) P(A1 A2 ) P(A3 ) P((A1 A3 ) (A2 A3 ))
24
 P(A1 ) P(A2 ) P(A1 A2 ) P(A3 ) [P(A1 A3 ) P(A2 A3 )
P((A1 A3 ) (A2 A3 )) P(A1 ) P(A2 ) P(A3 )
P(A1 A2 ) P(A1 A3 ) P(A2 A3 ) P(A1 A2 A3 ).

innd seama de independena evenimentelor Ai , i=1,2,3, avem:

P(B) P(A1 ) P(A2 ) P(A3 ) P(A1 )P(A2 ) P(A1 )P(A3 ) P(A2 )P(A3 )
3 4 5 3 4 3 5 4 5 3 4 5 119
P(A1 )P(A2 )P(A3 ) .45
6 4 5 4 6 5 6 4 5 6 120

Exemplul 1.5.10. Din mai multe controale asupra activitilor a trei magazine
se apreciaz c n proporie de 90%, 80%, 70%, cele trei magazine au declarat
marfa vndut. La un nou control, comisia de control solicit 50 de documente
privind activitatea comercial: 20 de la primul magazin, 15 de la al doilea, 15
de la al treilea. Dintre acestea se alege unul la ntmplare pentru a fi verificat:
a) Cu ce probabilitate documentul ales este corect (nregistrat)?
b) Constatnd c este corect, cu ce probabilitate el aparine primului
magazin?

Rezolvare
a) Notm cu A1, A2, A3 evenimentul ca documentul controlat s provin
de la primul, al doilea i respectiv al treilea magazin. Avem astfel
20 15 15
P(A1 ) ; P(A2 ) ; P(A3 ) .
50 50 50

Fie A evenimentul ca documentul controlat s fie corect. Atunci A / A1,

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

A1 A2 A3 E, A1 A2 A1 A3 A2 A3

aplicnd formula probabilitii totale avem :

P(A) P(A1 )P(A / A1 ) P(A2 )P(A / A2 ) P(A3 )P(A / A3 )

20 15 15
0,90 0,80 0,70 0,81.
50 50 50

b) Aplicnd formula lui Bayes avem :

25
 P( 200,9
A1 ) 0
P( P(
A / A/
A) A1 0,3
1
3 ) 50 6 4 .
0,81 0,81 9

P(
Ai )
P(
A/
Ai )
i1

(A1/A reprezint evenimentul ca documentul controlat s provin de la

primul magazin tiind c a fost corect).
26
 Capitolul 2

Variabile aleatoare

Variabila aleatoare este una din noiunile fundamentale ale teoriei

probabilitilor i a statisticii matematice. n cadrul unei cercetri experimentale
se constat c ntre valorile numerice msurate exist diferene chiar dac rmn
neschimbate condiiile de desfurare ale experimentului.
Dac ne referim la o singur msurtoare, variabila aleatoare este acea
mrime care n cadrul unui experiment poate lua o valoare necunoscut aprioric.
Pentru un ir de msurtori, variabila aleatoare este o noiune care-l
caracterizeaz din dou puncte de vedere:
- caracterizare din punct de vedere cantitativ variabila ne d informaii
privind valoarea numeric a mrimii msurate;
- caracterizare din punct de vedere calitativ variabila aleatoare ne d
informaii privind frecvena de apariie a unei valori numerice ntr-un ir.
Dac valorile numerice ale unui ir de date aparin mulimii numerelor
ntregi sau raionale atunci se definete o variabil aleatoare discret, iar n cazul
aparteneei valorilor la mulimea numerelor reale se definete o variabil
aleatoare continu.

2.1. Variabile aleatoare discrete

n ciuda faptului c dup repetarea unui experiment de un numr mare

de ori intervine o anumit regularitate n privina apariiei unor rezultate ale
acestuia, nu se poate preciza niciodat cu certitudine care anume dintre rezultate
va apare ntr-o anumit prob. Din acest motiv cuvntul sau conceptul aleator
trebuie neles sau gndit n sensul c avem de-a face cu experimente sau
fenomene care sunt guvernate de legi statistice (atunci cnd exist un anumit
grad de incertitudine privind apariia unui rezultat sau reapariia lui) i nu de legi
deterministe (cnd tim cu certitudine ce rezultat va apare sau nu). Pentru ca
astfel de experimente sau fenomene s fie cunoscute i prin urmare studiate, sunt
importante i necesare dou lucruri i anume:
1. rezultatele posibile ale experimentului, care pot constitui o mulime
finit, infinit sau numrabil sau infinit i nenumrabil;
2. legea statistic sau probabilitile cu care este posibil apariia
rezultatelor experimentului considerat.
n linii mari i ntr-un neles mai larg, o mrime care ia valori la
ntmplare sau aleatoriu dintr-o mulime oarecare posibil se numete variabil
aleatoare (sau ntmpltoare). Se poate da i o definiie riguroas.
27
 xi X

p
i

iI

Definiia 2.1.1. Fie cmpul de probabilitate {, K, P}. Numim variabil

aleatoare de tip discret o aplicaie X : R care verific condiiile:
i) are o mulime cel mult numrabil de valori;
 x R
ii) (X x) K
Observaia 2.1.2.
1) Dac K = P() atunci ii) este automat ndeplinit;
2) O variabil aleatoare de tip discret este deci o funcie univoc de
forma

X : {x1, x2, xn, } R;

3) Se obinuiete ca valorile variabilei s se noteze n ordine

x x x ... x ....
cresctoare adic 1 2 3 n , xi R, i = 1, 2,
4) Evenimentele Ai = X-1(xi) = { / X() = xi } K, oricare ar fi i
= 1, 2, 3, ,
X-1 : {x1, x2, xn, } K este inversa funciei X.

Definiia 2.1.3. Numim distribuia sau repartiia variabilei aleatoare X de tip

x
i i
I,
sun
disc t
ret, val
tabl ori
oul le
de pos
for un ibil
ma de e
X: xi, ale
p

i iI
variabilei aleatoare X iar pi este probabilitatea cu care variabila considerat X ia
iI
valoarea xi , adic pi = P(X = xi ), mulimea I putnd fi finit sau cel mult
numrabil.

Observaia 2.1.4.

1) Evenimentele (X = xi ), i I formeaz un sistem complet de evenimente i
pi 1.
iI
2) Variabila aleatoare pentru care mulimea valorilor este un interval
finit sau infinit pe axa numerelor reale este variabil aleatoare continu.
3) Forma cea mai general a unei variabile aleatoare aparinnd unei
clase de variabile aleatoare de tip discret se numete lege de probabilitate
discret.

Definiia 2.1.5. varia

bilele
distribuiile aleat
oare
X i Y
Sp care
un au
em respe
c ctiv


su
nt
in
de
pe
nd
en
te
i
da
Yj c
 j jJ
(i, j) IxJ.
P(X = xi , Y = yj) = P(X = xi ) P(Y = yj),

28
 y
xi j X i Y
p qj


j
i
J

iI

Definiia 2.1.6. Fie variabilele aleatoare X, Y care au respectiv distribuiile

atunci variabila aleatoare sum X+Y, produs X Y i ct
X di x y
y
st
j ri
b
0 u
, iil X j
vor avea e Y i ,
j p

ij (i, j)IxJ
J x i

X


(dac ) u
Y n
x y d
XY

i j e
p
p=
(i,
i P( Y
y
j j X = xi, = yj)
Y
j)IxJ
pij
(i,j)IxJ
,

res

pe

cti

ij v
IxJ.
(i,j)
Definiia 2.1.7. Se numete
a) produs al variabilei aleatoare X prin constanta real a, variabila
ax
 a
l
e
a
t
o
a
r
e
n
o
t
a
t

p
r
i
aX :
n i

p

i iI

c
o
ns
ta
nt
a
re
al

a,
sum a v
variabil ar
ei ia
aleatoar bi
b) e X cu la
ax i
 a
l
e
a
t
o
a
r
e
n
o
t
a
t

p
r
i a
n X :


pi iI

c) putere a variabilei aleatoare X de exponent k, k Z , variabila

k
xk
i
,

cu
cond I
,
iia
ca s
oper ai
aleatoare X
aiil
k x
: i e b
i

sens.
Observai
a 2.1.8. Au i

loc
qj
relaiile ,
pij pi ,i p j
I ij J.
jJ iI

Dac variabilele X,Y sunt independente atunci pij piqj ,(i, j) I J

Definiia 2.1.9. Fie { , K, P} un cmp de probabilitate, iar X : R o
variabil aleatoare. Numim funcie de repartiie ataat variabilei aleatoare X
funcia F : R [0, 1], definit prin F(x) = PX x, x R, adic
F(x)= pi , x R .
xi x
Dac nu exist pericol de confuzie, funcia de repartiie a variabilei
aleatoare X se noteaz prin F.
Propoziia 2.1.10. (proprieti ale funciei de repartiie)
1. a, b R, a b avem:

29
 P(a X b) F(b) PX b F(a) PX a
P(a X b) F(b) F(a) P(X b)
P(a X b) F(b) F(a)
P(a X b) F(b) F(a) PX a

Demonstraie
Avem succesiv
P(a X b) P(X b, X a) P(X b) (X a)
P(X b) P(X a) F (b) PX b F (a) PX a
dac s-a inut seama de relaia (X a) (X b) i s-a folosit probabilitatea
diferenei.
P(a X b) P(a X b) ( X a) P(a X b) P(X a)
F (b) PX b F (a) PX a P( X a) F (b) PX b F (a)
dac s-a folosit relaia demonstrat anterior.
2. F este nedescresctoare pe R,
adic x1 , x2 R, x1 x2 F (x1 ) F(x2 )

Demonstraie
0 P(x1 X x2 ) F(x2 ) F(x1 ) F(x1 ) F(x2 )
3. lim F(x) 0,lim F(x) 1
x x

Demonstraie
lim F(x) lim P(X x) P( ) 0
x x
lim F(x) lim P(X x) P(E) 1
x
x
4. x R, F(x a)
F(x) (F este continu la
stnga n fiecare punct
xR
)
Exemplul 2.1.11. Se consider
variabila aleatoare discret
1 2 3 4

X: 7 1 1
 .
Care
este
prob
abili
tatea
ca X
s ia
o
valo
are
mai
p2 p mic
4 3 6
sau egal cu 3?
ca
Rezolvare p
fie o variabil
Pentru ca X s aleatoare trebuie 0
ob 1
7 1 1
in
e
sol
ui
a
ac
ce cal
i pta cul
p2 p bil p ea
1 . Se . Se z
4 3 6 4
3
0
 probabilitatea cerut prin intermediul evenimentului contrar i anume
1 5

P(X 3) 1 P(X 4) 1 sau

1 7 1 5

P(X 3) P(X 1) P(X 2) P(X 3) .

Exemplul 2.1.12. Se dau variabilele aleatoare independente:

1 0 1 1 0 1

p 1 1 1 ;Y 1 2p 12p2
X: q : q .
6 3 3 3
a) S se scrie distribuia variabilei 2XY.
2
b) Pentru ce valori ale lui c avem: P(X Y c) ?
9
Rezolvare
Pentru ca X i Y s fie variabile aleatoare se impun condiiile:

1 1
p 0;q
6 3

acceptabile p 1 i q = 0. Deci variabilele aleatoare au repartiiile:

6
1 0 1

X : 1 1 1 ;Y:
1 1
3 3 3 3 3
2 0 2

a) 2XY : 2 5

9 9 9
2 1 0

b) XY: 1 2 3

3 2
9 9 9
situaiei P(X + Y = 0) = adic c = 0.

Exemplul 2.1.13. Variabila aleatoare X cu distribuia urmtoare:

31
 1
0,
dac x
,
1 2
1 2 1
,
, dac x 1,

are
fun
ci
a
de
rep
art
X: iie F (x) P( X
2 : x) 6 2
1 1 1

6 2 3 , dac 1 x 2,

1, dac x 2
Graficul funciei de repartiie este:
F(x)
1

2/3

1/6

1/2 1 2 x

2.2. Vector aleator bidimensional

Definiia 2.2.1. Fie cmpul de probabilitate {, K, P}. Spunem c U=(X,Y) este

vector aleator bidimensional de tip discret dac aplicaia U : R 2 verific
condiiile:
i) are o mulime cel mult numrabil de valori;
ii) (x, y) R 2 , (X x, Y y) K .

Definiia 2.2.2. Numim distribuia sau repartiia vectorului aleator (X,Y) de tip
discret tabloul:
Y y
1



yj
unde ( xi , y j ) sunt valorile
pe care le ia vectorul aleator
(X,Y), iar
pij P(X xi ,Y y j ).

X
p11





p1j




x1

pi1





pij




xi
...
.

32
 Evident pij= 1.
i, j I J

Definiia 2.2.3. Numim funcie de repartiie ataat vectorului aleator

bidimensional funcia F: R 2 0,1, definit prin:
F(x,y) = P(X x, Y y), (x, y) R 2 .

Propoziia 2.2.4.(proprietile funciei de repartiie a unui vector aleator

bidimensional de tip discret)
1. dac a<b i c<d, atunci
P(a X b,c Y d ) F(b, d) F(a,c) .
2. F(x,y) este nedescresctoare n raport cu fiecare argument.
3. lim F(x, y) lim F(x, y) lim F(x, y) 0; lim F(x, y) 1.
x y x x
y y
4. F(x,y) este continu la stnga n raport cu fiecare argument.

Observaia 2.2.5. Dac (X,Y) are funcia de repartiie F, iar variabilele X i Y

au funciile de repartiie FX i respectiv FY , atunci:
FX (x) lim
y
F(x, y) i FY (y) lim F(x, y) .
x

Exemplul 2.2.6. Se consider vectorul aleator discret (X,Y) cu repartiia dat n

tabelul:

Y 2 6
X
0
,
0, 1
1 20 0
0
,
0, 1
3 05 5
0
,
0, 0
4 45 5

a) s se determine repartiia variabilelor X,Y, X+Y;

b) s se stabileasc dac X i Y sunt independente sau nu;
7
c) s
se
calc
uleze
F ,5 .
2

Rezolvare
a) Variabila X are repartiia:

33
 p p
1 11

p
1 3 4 12 0,20 0,10 0,30
p p p

X: p p , unde 2 21 22 0,05 0,15 0,20 , adic
p p p
31
p
1 2 3 3 32 0,45 0,05 0,50
1 3 4
X:
.

0,30 0,20 0,50

2 6
Analog, variabila Y are repartiia Y: , unde
q q
1 2
p11
p31 0,20 0,05 0,45 0,70 adic Y:
q1 p21 2 6
, .

p12 0,7
q2 p22 p32 0,10 0,15 0,05 0,30 0 0,30
3 4 6 7 8 10
Avem: X+Y:
0,4 0,1 0,0 .
0,20 0,05 5 0 0,15 5

b) Pentru verificarea independenei variabilelor X,Y, efectum un
control, de exemplu:
P(X=1) P(Y=2) = 0,30 0,70 0,21, iar P[(X=1) (Y=2)] = p11
0,20 . Cum 0,21 0,20, deducem c X i Y sunt dependente.
7 7 ,Y

5)

P[(
X

1,
Y

2)

(X

,5) 3,
Y
P(
c) X 2)]
F(
2 2
=P(X=1,Y=2) +P(X=3,Y=2) = 0,20+0,05 = 0,25.
Definiia 2.2.7. Fie variabila aleatoare X avnd funcia de repartiie F , vom
spune c X este variabil aleatoare de tip continuu dac funcia de repartiie se
poate reprezenta sub forma:
x

F(x) = (t)dt, x R .
Funcia : R R se numete densitate de probabilitate a variabilei
aleatoare X.

Propoziia 2.2.8. Au loc afirmaiile:

1) x R, (x) 0 .
2) F'(x) = (x) a.p.t. pe R.
b

3) P(a X<b) = a (x)dx .

4) (x)dx 1.

Observaia 2.2.9.
1. Pentru o variabil de tip continuu P(X=a)= 0, deci P(a X<b) =
b

P(a<X<b) = P(a X b) = P(a<X<b) = a (x)dx .

34
 F(x x) F (x) P(x X x x)
2. (x) F '(x) lim lim , deci
x0 x x0 x
cnd x este mic avem P(x X x x) (x) x .

Definiia 2.2.10. Fie vectorul aleator (X,Y) avnd funcia de repartiie F, spunem
c (X,Y) este un vector aleator de tip continuu, dac funcia de repartiie F se
poate pune sub forma:
x y

F(x,y) = (s, t) ds dt, (x, y) R 2 , iar funcia : R 2 R se

numete densitate de probabilitate a vectorului aleator (X,Y).

Observaia 2.2.11. Dac este densitate de probabilitate pentru (X,Y), iar

X i Y densiti de probabilitate pentru X, respectiv Y au loc:
1) (x, y) 0 , (x, y) R 2 .
2 F(x, y)
2) (x, y) a.p.t. pe R 2 .
xy
2

3) P((X,Y) D) (x, y) dx dy, D R .

D

4) R 2 (x, y) dx dy 1.

5) X (x) (x, y)dy, x R ; Y ( y) (x, y)dx, y R .

Definiia 2.2.12. Spunem c variabilele aleatoare de tip continuu X i Y sunt

independente dac F(x,y) = FX (x) FY (y) , (x, y) R 2 .

kxy2 , (x, y) 1,2 1,3

Aplicaia 2.2.13. Funcia (x, y) este densitate de 0 , n rest
pro
ba
bili ce
tat (x, y)dxdy 1 implic
e dac (x, y) 0 i ceea
R

2 3
ecuaia n k, k 1 1 xy2dxdy 1 , verificat pentru k
1 .

n acest caz funcia de repartiie va fi

,
da x 1 y
0 c sau 1
1 2 3
1)( y 1) , dac x, y 1,2
(x 1,3
78
2 1 3
 F

(
x
,
y
)

, x
du da
1 uv dv (y 1) c i 2
26
1

1 , y y
da 1,2
(x2 1) c i 3
2

,
da
c
x
2
1 i y
3
3
5
 i deducem de asemenea c funciile de repartiie marginale sunt, respectiv,

,x
X
3
,x

1
0 1 2
F (x) 1 (x2 1 , x
)
 ,y

0 1
1 ,y

F(
y) 1 1,3

Y
(x )
2
3
,y
1
3
 2.3. Caracteristici numerice asociate variabilelor aleatoare

Fie , K, P un cmp de probabilitate i X : R o variabil

aleatoare. n afara informaiilor furnizate de funcia de repartiie F(x) sau chiar
de repartiia probabilist (discret pi sau continu (x) ale unei variabile
aleatoare X, de un real folos teoretic i practic sunt i informaiile pe care le
conin anumite caracteristici numerice (valoarea medie, dispersia, abaterea medie
ptratic sau diverse alte momente) ale lui X despre aceast variabil aleatoare.

Valoarea medie (sperana matematic)

Definiia 2.3.1. Fie {, K, P} un cmp borelian de probabilitate i variabila

x
i i
ale I.
ato Se
are nu
X: me
te
val
R oa
cu re
dist me
ribu die
ia X ,
p
,

i
caracteristica numeric E(X ) xi pi .
iI
Observaia 2.3.2.
1) Dac I este finit, valoarea medie exist.
2) Dac I este infinit numrabil, E(X) exist cnd seria care o
definete este absolut convergent.

Definiia 2.3.3. Fie{, K, P} un cmp borelian de probabilitate i variabila

x , x
aleatoare X :
R.
R Se
de nu
tip me
co te
nti val
nu oa
u X rea

(x)

medie a variabilei X, caracteristica numeric E(X ) x (x)dx . Valoarea medie exist

atunci cnd integrala improprie care o definete este convergent.

Propoziia 2.3.4.(proprietile valorii medii) Au loc afirmaiile :

1) E(a X b) a E(X) b,a,b R
2) E(X + Y) = E(X) + E(Y)
3) X,Y independente E(X Y) = E(X) E(Y)

Demonstraie
36
 var
iabi
lele
ale
ato
are
de
tip
dis
cret
X,
Y
av
nd
rep
arti
Fi iil
a) e e

x y
j

X i ,Y

p qj

j

i
iI J

1. Avem E(aX b) (axi b) pi axi pi bpi aE(X ) b

iI iI iI

ax b
da
c
va
ria
bil
a
a
X

b
ar
e
re
pa
rti
ia
a
X

b i



i p i
1.

pi iI iI
xy
 a
r
e
r
e
p
a
2. rt
Varia
i X
bila
i j

X+Ya Y i ,
p
i (i, j )
j I J

pij

P(
X

xi ,
Y

yj
)
Re
zult

E(X Y
)
(xi
yi ) pij

xi pij
y
j pij
i
I
j
i i J

xi pi y j q j E(X ) E(Y )
iI jJ

dac s-au folosit relaiile pij q j i pij pi

iI jJ

xi y j XY)
3. Variabila XY are repartiia XY
pq
(i,

i j

independente.
Av

xp xi y
em i i
y j pi
E(
qj
iIj dac X i Y sunt
i J
j )I J

j q j E(X )E(Y )

b) Presupunem ca X i Y sunt variabile aleatoare de tip continuu.

1. Dac notm prin Y = aX + b, a 0, atunci se obine c
xb
X ( )
a
Y
, pentru orice x R.
a
x

b )dx
1
de
und
(x) x e
dx pri
Avem: E(aX b) E(Y ) x Y Y ( n
a a
schimbarea de variabil u = (x b)/a, dx = adu, obinem

E(aX b) (au b) X (u)du a u X (u)du b X (u)du aE ( X ) b

2. Dac notm prin Z = X + Y, variabila care are densitatea de
probabilitate Z , iar densitatea de probabilitate a vectorului (X, Y) o notm prin ,
atunci:

E( X Y ) E(Z ) s Z (x)dx x( (u, x u)du)dx

37
 Schimbm ordinea de integrare, apoi schimbarea de variabil
x u = t, dx = dt, i obinem

E(X Y ) ( x (u, x u)dx)du ( (t u) (u,t)dt)du

t( (u, t)du)dt u( (u,t)dt)du t X (t)dt u Z (u)du E(Y ) E(X )

3. Dac notm prin V =X Y, care are densitatea de probabilitate V , iar

densitatea de probabilitate a vectorului (X, Y) o notam prin , atunci

x dx
E( XY ) E(V ) x V (x)dx x( (u, ) )dx
u u
Sch
im
b
m
ord
ine
a
de integrare, apoi facem schimbarea de variabil
x / u = t, dx = udt, i
obinem:

E x x
(u, )dx)du ( tu (u, t)dt)du
u u

tu X (u) Y (t)dtdu u X (u)du t Y (t)dt E( X )E(Y )

Dispersia

Definiia 2.3.5. Fie {, K, P} un cmp borelian de probabilitate i variabila aleatoare X :

R. Se numete dispersia (variana) variabilei aleatoare X,
 Va
r(
X
)

E

X

E(
car X
act )2
eri
stic

a ia
nu r
me Var
ric (X (X
) ) se
numete
abatere medie
ptratic.
dispersia
are
expresia
Var(X )
n
mod
xi
E(X )2 pi
expli
cit, ,
i

I

I N , dac X este o variabil aleatoare discret sau

Var(X ) x M (X )2 (x)dx , dac X este o variabil

aleatoare
R
continu.
Dispersia este un indicator numeric al gradului de mprtiere (sau de
dispersare) a valorilor unei variabile aleatoare n jurul valorii medii a acesteia.

Propoziia 2.3.6.(proprietile dispersiei)

a) Var(X ) E(X 2 ) E(X )2
b) Var(aX b) a2Var(X ), a, b R
c) X,Y independente Var(X Y ) Var(X ) Var(Y )

Demonstraie
38
 Var(X ) E X E(X ) EX
2 2
2E(X )X E(X )2
a)
E(X 2 ) 2E(X )E(X ) E(X )2 E(X 2 ) E(X )2
dac s-a fcut un calcul formal.
b) Folosind proprietile valorii medii i definiia dispersiei avem:

Var(aX b) E (aX b aE(X ) b)2 E a2 X E(X )2

a2 E X E(X )2 a2Var(X )
c) Dac X, Y sunt independente avem E(XY) E(X )E(Y ) . Calculm
X Y E( X Y ) EX E(X ) Y E(Y )
Var(X Y ) E 2 2

EX E( X ) Y E(Y ) 2X E(X )Y E(Y )

2 2

EX E( X ) EY E(Y ) 2EX E(X )EY E(Y )

2 2

Var(X ) Var(Y )
dac s-a inut seama c EX E(X ) 0

Propoziia 2.3.7.(Inegalitatea lui Cebev) Dac variabila aleatoare X are

a
r
e
atu ine
nci lgal
oitat
valoare medie i dispersie 0 c ea
Var(X ) ec
ine hiv cu
gal ale ace
X ) sa itat nt ast
P( E(X ) 1 u ea a
2

X Var(X )
P( E(X ) ) .
2

Demonstraie
Presupunem c X este o variabil aleatoare de tip continuu, avnd
densitatea de probabilitate (x) . Atunci

Var(X ) (x E(X ))2 (x)dx (x E(X ))2 p(x)dx
D

,
av
em
c
(x
und
e , E(
D deo X)
)2
x xE( are
x
E(
/ X) ce X) .
Deci, avem
(x E(X ))2 (x)dx 2
(x)dx 2
P( X E(X ) )
D D
2
Am obinut c Var(X ) P( X E(X ) ) , rezult
Var(X )
P( X E(X ) )
2

Folosind probabilitatea evenimentului contrar se obine i cealalt form a

Var(X )

inegalitii: P( X E(X ) ) 1 P( X E(X ) ) 1

Aplicaia 2.3.8. Dac X este o variabil aleatoare discret

39
 2 1 0 1 2 3

X: 1 2 2 5 1 1

12 12 12 12 12 12
atunci deducem c:
1 2 2 5 1 1 1
E(X ) 2 1 0 1 2 3

12 12 12 12 12 2
E( 1 2 2 5 1 1
2
X
)
4 1 0 1 4 9 2
12 12 12 12 12
Var(X ) E(X ) E(X )
2 2
2 1 7
4 4
7
(X ) Var(X )
2
Aplicaia 2.3.9. Dac X este variabil aleatoare continu
x
x
X:
x 1,3
(x)
, 4 ,
(x)

0, n rest
atunci
deducem c:
3 3 x2 (x)dx 4 3
x x
E(X ) 1 x (x)dx 13
, E(X ) 1
2
5

3 3

12 1
6 16 1

Var(X ) E(X ) E(X )2

2
5 169 11
36 36
11
(X ) Var(X )
6

Momente

Definiia 2.3.10. Fie {, K, P} un cmp borelian de probabilitate i variabila

ale : de ord k al
ato R. Se in
are nume
X te
mome
 nt
iniial
(obin
uit)
variabilei
aleatoare
X,
caracterist
ica E(
numeric X
k
mk )
2.
3.
11
.
a)
Pe
nt
ru
k
= m1
Ob 1
ser av E(
va e X)
ia m iar pentru k=2,
Var
(X
)
m m2
21
b) Dac x
X este
variabil
de tip
discret
avnd
repartiia X: i ,
p

i
iI

pi 1 atunci mk xi k
pi
iI iI

40
c) x
Da
c
X
est
e
var
iab
il
de
tip
co
nti
nu atu
u X: nci

(x)

xR

mk xk (x)dx
R

Definiia 2.3.12. Se numete moment centrat de ordin k al variabilei aleatoare X, caracteristica

numeric k EX E(X )k , adic

x

E
(
X
,
)
X
di
sc

re
p t

k
iI

x,
X
E co
X

nti
( nu
dx

R

Observaia 2.3.13. Pentru k=1 avem 1 0 , iar pentru k=2, 2 Var(X )

Teorema 2.3.14. ntre momentele centrate i momentele iniiale exist

k

urmtoarea relaie: k (1)i Cki mk i m1i .

i0
Demonstraie
Avem
k
k
E X

E(X )
k
E X Xk
i
m1

k
(m
ECki 1 )
i


k k k

(1)i
Cki E(X
k i
)m1i

E ( (1)
i

i
1)i Cki X Ck mk
k i i
m1i i m1

i i i

0
0 0

Observaia 2.3.15. n statistica matematic se utilizeaz de regul primele patru

momente centrate: 1 ,2 ,3 ,4 .
Definiia 2.3.16. Se numete momentul iniial de ordinul (r,s) al vectorului aleator (X,Y)
caracteristica numeric mrs E(X rY s ) , adic
,
(X
,Y
)
x di
r sc
i
re
y t

j
p
 ij

i
I
j
J
m


x
r

y ,
s
(
( X,
x,
Y
y
)
)
d
co
x nt
d in
rs y uu
R
2

Definiia 2.3.17. Se numete moment centrat de ordin (r,s) al vectorului aleator

(X,Y), caracteristica numeric
r
rs E (X E(X )) (Y E(Y )
s
, adic

41
 ,
(
X
,Y
)
di
sc
E(X E(Y )s re
i ) y j pij
r
t

rs
iI jJ
,
r s
(
X,
Y
)
(x, co
y)d nt
y xd in
x(X )
E E(Y ) y uu
R2

Observaia 2.3.18.
m1 o E(X ), m0 1 E(Y ), 20 Var(X ), 02 Var(Y )

Corelaie sau covarian

Definiia 2.3.19. Se numete corelaia sau covariana variabilelor aleatoare X i

Y, caracteristica numeric
C(X ,Y ) EX E(X )Y E(Y ) adic C(X, Y) 11

Observaia 2.3.20.
1) C(X ,Y ) E(XY ) E(X )E(Y ), C(X, Y) m11 m10 m01
Dac X, Y independente C(X, Y) 0 , dar nu i reciproc.
C(X , X ) Var(X )
,
m

m n n
ori
car
e
ar
fi
va
X i , b jY j ria
aib bil
a
C i jC X i ,Yj ele
i 1 j 1
i

1
 j

aleatoare Xi i Yj i oricare ar fi constantele reale ai i bj, 1 i m ,1 j

n C(X ,Y ) C(Y , X ) , oricare ar fi X i Y.

Definiia 2.3.21. Se numete coeficient de corelaie relativ la variabilele

aleatoare X i Y caracteristica numeric
r(X C ( X ,Y
, )
Y)
=
Var
(X Var
) (Y )

Observaia 2.3.22.
1) X, Y independente r(X, Y) 0 reciproc nu este adevrat;
2) Spunem c X,Y sunt necorelate dac r(X,Y) =0
Proprieti:
a) r(X, Y) 1
b) r( X ,Y ) 1 Y a X b, a 0
c) r(X ,Y ) 1 Y aX b,a 0

Observaia 2.3.23. n practic se mai spune c:

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

42
 0,75 r(X ,Y ) 1 (sau 1 r( X ,Y ) 0,75 );
4) X i Y sunt slab pozitiv (sau negativ) corelate dac 0 r(X ,Y ) 0,25
(sau 0,25 r(X ,Y ) 0 );
Marginile valorice decizionale fiind alese convenional.

Aplicaia 2.3.24. Fie (X,Y) un vector aleator discret a crui repartiie

probabilist este dat de tabelul de mai jos.
Calculai coeficientul de corelaie r(X,Y).
Y p
-1 0 1 2 i
X
- 1/1 1/1 1/2 9/2
1 1/6 2 2 4 4
1/2 1/1 1/2 8/2
0 4 1/6 2 4 4
1/2 1/2 1/2 7/2
1 4 4 1/6 4 4
q 6/2 7/2 8/2 3/2
j 4 4 4 4 1

Rezolvare
Pe baza formulelor corespunztoare, deducem imediat:
E(X ) 1 9 0 8
24 24
2
E(X ) 1 9 0 8
24 24
Var(X ) E(X 2 ) [E(X )]2

E(Y ) 1 6 0 7
24 24
2
E(Y ) 1 6 0 7 1
24 24
Var(Y ) E(Y 2 ) [E(Y )]2

1 1
E(XY) 1 1 0 1
6 12
1 1
11 0 1 2
24 24 6
C(X ,Y ) E(XY ) E(X )E(Y )

r(X ,Y ) C(X ,Y )
 Var(X )Var(Y )

43
Observaia 2.3.25. Coeficientul de corelaie r(X ,Y ) reprezint prima msur a
corelaiei sau gradului de dependen n sens clasic. Introdus de ctre
statisticianul englez K. Pearson n anul 1901 ca rod al colaborrii acestuia cu
antropologul englez F. Galton (care a avut prima idee de msurare a corelaiei
sub denumirea de variaie legat), aceast msur a gradului de dependen a
fost criticat nc de la apariiei ei pentru diverse motive, printre care i aceea
c:
1) este dependent de valorile vectorului aleator (X ,Y ) i ca urmare nu
este aplicabil pentru cazul variabilelor aleatoare necantitative;
2) nu este precis n cazul independenei i al necorelrii deoarece
dac r(X ,Y ) 0 nu exist un rspuns categoric (n sensul
independenei sau necorelrii);
3) nu poate fi extins la mai mult de dou variabile aleatoare sau chiar
la doi sau mai muli vectori aleatori, fapte cerute de practic.
Dac la prima obiecie a dat chiar K. Pearson un rspuns, pentru
celelalte dou obiecii nu s-au dat rspunsuri clare dect dup apariia n 1948
a teoriei matematice a informaiei, rezultate remarcabile n acest sens obinnd
coala romneasc de matematic sub conducerea lui Silviu Guiau introducnd
msurile entropice ale dependenei dintre variabile aleatoare i vectori aleatori
(n anii 1974-1978) cu o larg aplicabilitate teoretic i practic.
n ciuda tuturor criticilor ce i s-au adus, coeficientul de corelaie clasic
(sau coeficientul Galton-Pearson) este cel mai frecvent utilizat n practic i,
pentru c este cel mai simplu n utilizare.

Definiia 2.3.26. Fiind dat vectorul aleator Z X1, X 2 ,..., X n Z : E Rn , se

numete valoare medie a acestuia i se noteaz cu E(Z) , dac exist, vectorul n-dimensional ale
crui componente sunt valorile medii ale componentelor lui Z adic:
E(Z) E(X1 , X 2 ,..., X n )
E(X 1 ), E(X 2 ),..., E(X n ).
Se numete matrice de
covarian (sau de corelaie)
a vectorului Z i se
1,n j
ij i i, j 1,n

Observaia 2.3.27.
a) Pentru cazul unui vector aleator bidimensional, a nu se face confuzie
ntre media produsului componentelor X i Y, care este E(XY) i
media vectorului (X ,Y ) care este E(X ,Y ) .
b) Uneori matricea de corelaie C(Z) se mai noteaz i cu (Z ) .
c) Desfurat matricea de covarian C(Z) are forma:

44
 )
C( C(
Var(X ) X ,X ) ... X ,X
1 1 2 1 n
C(X 2 , X1 ) Var(X 2 ) ... C(X 2 , X n )
C
... ... ... ...

C(X n , X1 )C(X n , X 2 ) ... Var(X n )
i ca urmare a proprietilor corelaiei, matricea
constatm c C(Z) este
sim
etri
c.
d) Pornind de la definiia coeficientului de corelaie i de la matricea
de corelaie, dac toate componentele lui Z sunt neconstante, atunci
putem introduce matricea coeficienilor de corelaie R(Z ) a crei
form dezvoltat este:
1 r(

r(X , X )
r(X , X ) ... X ,X )

2 1
R(Z )

1 2 1 n
... 1 ... r(X 2 , X n )


... ... ...
r(X n , X1)
r(X n , X 2 ) ... 1
Ambele forme ale matricei de corelaie a vectorului aleatoriu Z
reprezint de fapt tabele ale msurrii gradului de dependen dintre
componentele lui Z, considerate dou cte dou.

Aplicaia 2.3.28. Fie variabilele aleatoare:

1 1
X : ;X :
1 p p 2

q q
1 2

a cror repartiie comun notat ( pijk ) , 1 i, j,k 2 , este:

p 1;p 1 ;p
111 16 112 16
p 1;p 1; p
211 8 212 4
S se determine repartiiile bidimensionale i unidimensionale ale

vectorului aleator tridimensional

C(Z) i R(Z ) .
Rezolvare
Avem imediat repartiiile bidimensionale
p p p 1
11 111 112

8
p p p 3
 21 211 212 8
p p p 3
11 111 121

32
p p p 8
21 211 221 16
 p p
p p 3 p p 5

11 111 211
1
1
2 212

pentr
u X 2
16 ; 32 , X3
p 3 p 13
p p p p

2
21 121 221 32 222 32 2 122
i ca urmare putem scrie urmtoarele tabele de repartiie bidimensionale:
X p X p X
2 3 3
1 3 2 4 q
X1 i
X1 i
X2 2 4 i
3/3 5/3 3/1 5/1
-1 1/8 1/8 -1 2 2 1/4 1 6 6 1/2
3/1 9/1 3/3 13/
1 3/8 3/8 1 6 6 3/4 3 2 32 1/2
q 9/3 23/ 9/3 21/
j 1/2 1/2 1 rk 2 32 1 rk 2 32 1

din care se observ i repartiiile unidimensionale (repartiiile variabilelor aleatoare

considerate X1, X2, X3). Din aceste tabele deducem prin calcul imediat:
E(X1 ) 1 E(X12 ) 1; Var(X1 ) 3
;
2 4
E(X 2 ) 2 ; E(X 22 ) 5 ; Var(X 2 ) 1
E(X 3 ) 55 ; E(X 32 ) 101
;Var(X 3 )
207
16 8 256
E(X1 X 2 ) 1; E(X1 )E(X 2 ) 1 ; C(X1, X2 ) 0 ; r(X1, X2 ) 0
29 55 3;
r(
E( 3 ) X 1,
X1 X 3 ) ; E(X1 )E(X 3 ) ; C(X1, X X
16 32 32
E( 113 55
X2 X3) ; E(X 2 )E(X 3 ) ;
16 8
C( 3 3
X2 ,X3) ; r(X2 , X3 ) 0,21
16 207
i ca urmare putem scrie matricele de corelaie:

3
3
4 0 32 1 0 0,12

C(Z ) 3 R(Z)
0 1 16 i 0 1 0,21
 3 3 207 0,1 0,2
32 16 256 2 1 1
constatnd c X1 i X2 sunt independente n timp ce ntre X3 i X1 sau X3 i X2
exist o anumit dependen chiar dac nu este puternic.

Alte caracteristici numerice

Definiia 2.3.29. Se numete mediana unei variabile aleatoare X, caracteristica

numeric Me care verific relaia:
1
P(X M e ) P(X M e )
2

46
 Observaia 2.3.30. 1. Dac F este funcia de repartiie i este continu atunci
1

Me se determin din ecuaia F(Me) .

ab
2. Dac Me (a,b]atunci se ia Me
2

Definiia 2.3.31. Se numete valoare modal sau modul a variabilei aleatoare X

orice punct de maxim local al distribuiei lui X (n cazul discret) respectiv al
densitii de probabilitate (n cazul continuu).

Observaia 2.3.32. Dac exist un singur punct de maxim local spunem c

legea lui X este unimodal altfel o numim plurimodal.

Definiia 2.3.33. Se numete asimetria (coeficientul lui Fischer) variabilei

aleatoare X caracteristica numeric definit prin s 3 .
3

Definiia 2.3.34. Se numete exces al variabilei aleatoare X, caracteristica

4
numeric definit prin e 3.
4

Observaia 2.3.35.
1) Dac e<0 atunci graficul distribuiei are un aspect turtit i legea se
numete platicurtic.
2) Dac e>0 atunci graficul distribuiei are un aspect ascuit i legea
va fi numit leptocurtic.
3) Dac e = 0 atunci repartiiile sunt mezocurtice.
Definiia 2.3.36. Dac X este o variabil aleatoare cu funcia de repartiie F(x) , se numesc
cuartile (n numr de trei) ale lui X (sau ale repartiiei lui X)
numerele q1 ,
q2 i q3 cu proprietile:

1 1 3
F
(

q

) F F (q
(q ) )
1 2 3
4 2 4
F (q 1 1 3
0) F
(q 0) F (q 0)
1 4 2 2 3 4
Observm c
 Me
q2 .

1 0 2
Exemplul 2.3.37. Se consider variabila aleatoare X : .

0,2 0,3 0,5

S se calculeze: E(X), E(3X), E(4X-2), Var(X ), X .

47
 Se cere:

Rezolvare
3

E(X ) xi pi 1 0,2 0 0,3 2 0,5 0,8

i 1
E( E(4X 2) 4E(X
3X ) 2 4 0,8 2
) 1,2
3E
(X
)
3
0,8

 3,4
;
Var
(X )

E(
X2
)
E(
X)
2

2,2 0,64 1,56 ;

E(
X2
)
(1
)2
0,2 0,5

02 2,2
0,3 ; Var
X (X 1,2
22 ) 1,56 4

Exemplul 2.3.38. S se calculeze valoarea medie i dispersia variabilei

aleatoare care are densitatea de probabilitate
1 1 x , dac x (0,2) 6 6
(x)
0, altfel
Rezolvare
x, dac 0 x 1


Observm c: (x) 2 - x, dac 1 x 2 0,
altfel
innd seama de definiie avem:
1 2 3
x
x
E(X (x)d
)x x(2 x)dx
0 x2 dx 1
3
4
1 2
x
x2
E(X (x)d
2
) x
0 x3 dx 1 x2 (2 x)dx
4

Var(X ) 7 1
E(X 2 )
E(X )2 1
 1 2 2 x3
x
0 1 3
3
1 2 x 2 x4
0 3 1 4

Exemplul 2.3.39. Fie vectorul aleator (X,Y) cu densitatea de probabilitate

k(x y 1), x [0,1], y [0,2]
(x, y)
0, n rest
a) s se determine constanta k;

b) s se determine densitile marginale;

c) s se cerceteze dac X i Y sunt independente sau nu;
d) s se calculeze coeficientul de corelaie ntre X i Y.

Rezolvare
a) din condiiile (x, y) 0 k 0

1 2

x,ydxdyk0dx0xy1dy1k15.

1
(x
y
1),
x
[0,
1], y
[0,
2]
Deci
(x,
y)
5

0, n rest

48
 1
b) X (x) (x, y)dy
50
2x 4
, x [0,1]
X
(x) 5

0,altfel

1 1
y
(y) (x, y)dx (x y 1)dx


5 0
2y 3
, y [0,2]
Y
(y) 10

0, altfel

c) X i Y nu sunt independente deoarece: (x, y) X (x) Y (y)

d) E(X ) x (x, y)dxdy

E(
Y)
(x, y)dxdy

2 2 1
5
m2 (X ) E(X ) x X (x)dx

2 2 1
m2 (Y )
E(Y ) y Y ( y)dy 10
De
ci Var(X ) E(X ) E(X )
2 2

30
Var(Y ) E(Y ) E(Y ) 2 2 8
5

E(X Y ) xy (x, y)dxdy

1 14 9
1 2
2x x dx C(X ,Y ) E(XY ) E(X )E(Y ) .
0
5 3 15
9 8 12 1
15 15 15 225
1
C(X ,Y ) 225
 Y 37 71
X

450 225

Exemplul 2.3.40. Se tie c, dac dou variabile aleatoare X i Y sunt

independente, atunci coeficientul lor de corelaie este nul. Reciproca nu este
adevrat. Iat un vector aleator discret (X,Y), n care X i Y sunt dependente i
totui r 0 .

49
 Y -
X 1 1 2
0 1 2 3
1 1
6 16
6
2 2
1 1
1 6 06
1 2 3
1 1
2 6 16
6

Rezolv
are
Calculm repartiiile marginale:

0 1 2 1 1
X:
;Y :

6 4 4
16 16 6 16 4 16 16
Av E(X ) 7 3 ;
em: 1; E(X 2 ) ; Var(X ) X
4 4
E(Y ) 5 3 10
1; E(Y 2 ) ; Var(Y ) ;Y
2 2 2

2 1 0 2 4

X
Y: 1 2 6 4 3 , E(XY)=1
1
16 16 6 16 16
E(X Y) -
E(X)E(Y) 11
r 0
X Y 3 10

2 2
Exemplul F
2.3.41. ie X o variabil aleatoare
0, x (0,2)
probabilitate definit prin: (x) .
1/ 2, x (0,2)
 a) S se determine modulul i mediana
b) S se calculeze momentul de ordin k, mk (x) ..

Rezolvare
a) Conform definiiei, M0 este valoarea pentru care (x) max .adic
M0 (0,2) adic exist o infinitate de valori modale situate pe segmentul (0,2).
1

Me se determin din ecuaia F (M e ) .

50
Cum F (M e ) M
e M
P(X M e )
e
M e
(x)dx 1.
2
b) 0

mk (X ) E(X k ) xk
1
dx
2k
.

k
2 1

2.4. Funcia caracteristic. Funcia generatoare de momente

Definiia 2.4.1. Fie cmpul de probabilitate , K, P i variabilele aleatoare

X i Y definite pe cu valori reale. Se numete variabil aleatoare complex
2
Z X iY , i 1, iar valoarea medie a acesteia notat cu E(Z) este dat de
relaia E(Z ) E(X ) i E(Y ) dac mediile E(X ) i E(Y ) exist.

e o
s var exp
2.4. t iab aleat res
Observaia 2. Dac X e il oare ia
as
em
en var
costX isin t define ea iab aleato
eitX tX , R te de o il are i
2
cos tX sin
2
e itX 2 tX 1
Se fun
Definiia 2.4.3. Fie X o variabil nume ci
aleatoare real. te a
fu X : d
nc R a rel
i t ai
caracteristic a lui X o e C de a
X (t) (t) E(eitX ) , care explicit poate fi scris sub forma
,
es
tede
ti
pp
di
k
sc
e re
tx
t

 (t)
k
K

,
es
te
de
ti
p
co
itx
nt
( in
X dxuu

R

Propoziia 2.4.4. Funcia caracteristic are urmtoarele proprieti:

1) (0) 1 i (t) 1, t R
2) Dac Xj, j 1,m sunt variabile aleatoare independente n totalitate

cu funciile caracteristice X j (t) j (t), j 1,m , atunci funcia caracteristic a
variabilei aleatoare sum X X1 X 2 ... X m este
m

X (t) 1 (t) 2 (t) ... m (t) j (t)

j1

3) Dac Y aX b , a i b R, atunci Y (t) X (at)eitb

4) Dac X admite momente iniiale de orice ordine atunci funcia
caracteristic admite derivate de orice ordin i are loc relaia
m 1
(X
)
E(
Xr (r )

) (0)
r
r i X

Demonstraie
51
 1) (0) E(1) 1 i


pk

1
da
c
X
est
e
de
tip
pk dis
itx
p cre
(t) e k k eitx t i
k

kK kK K

(x)dx
e it
(x)dx 1

x
dac X

(x) este de tip

(t) dx eitx continuu.
R R R
2) Avnd n vedere
proprietile valorii medii,
putem scrie c
m m
itX
... e m

)
E(e
itX j
)
j
X
itX
(t) E(e ) E(e
itX
1 e
itX
2 (t)
j j
3) Tot ca urmare a proprietilor mediei avem:
itY itaX
Y (t) E(e ) E(e eitb ) eitb aX (t) eitb X (at)
(r )
4) Observm c X (t) E(X r eitxir ) i r E(X r eitX ) i rezult
(r ) r r r
X (0) i E(X ) i mr (X ) .q.e.d
 Observaia 2.4.5. Folosirea relaiei de la punctul 4) este recomandabil doar
atunci cnd calcularea momentelor este mai comod prin aceast relaie dect
pornind direct de la definiia acestora.

Ap
lica
ia
2.4.
6.
1) 1 0 1
Dac atu
X:
nci

61 2 1 3
1 1 1 2eit eit 3
(t) eit eit
6 2 3 6
x x 0,1
1
2 2ix
2) atunci (t)
Dac
X:

,

2xeitxdx 2
eitx
2x 0 e
x
1 it
x
0
3) atu
Dac nci
X:
x
, (t) e xeitxdx
2

e
0 1t
Definiia 2.4.7. Fie X o variabil aleatoare real definit pe cmpul de probabilitate , K, P.
Se numete funcie generatoare de momente, dac exist, funcia G : R R , dat de relaia GX
(t) G(t) E(etX ) care explicit poate fi scris sub forma

,
X
es
p
te
k
de
e tip
t
di
x
sc
k ret

G(t) ,

kK
tx
X
est
e
de
tip
co
nti
(x) nu
dx u
 R
cu condiia existenei expresiilor corespunztoare.

Propoziia 2.4.8. Funcia generatoare de momente are urmtoarele proprieti:

52
 1) G(0) 1
2) Dac Xj, 1 j m , sunt independente n totalitate i au funciile
generatoare Gj (t) , j 1,m , atunci funcia generatoare a variabilei aleatoare X
X1 X 2 ... X m este
m

GX (t) Gj (t)
j 1

3) Dac Y aX b , a i b R, atunci
GY (t) GX (at) etb
4) Dac X admite momente iniiale de orice ordin, atunci funcia
or
di
n
n
pu
o nc
r tul
i ze
generatoa c ro
re admite derivate de e i
(r ) r
GX (0) E(X ) mr (X ) , r 1, 2, ...
Aplicaia 2.4.9.
1 0 1 at
u
nc
1) Dac X : i

1 6 1 12 2 3

G( 1 t 1 1 t 2e t e t 3
t) e e
6 2 3 6
x 0
2) Dac X : , x 0 , atunci
x

G(t) e xetxdx , dac t

0 t
iar n caz contrar nu exist.
k
p

q
p,
q 1,
at
0 un
3) Dac X : k k nk , , ci
C
n p q k 0,n
 n

G(t) Cnk pk qnketk ( pet q)n

k 0

G (t) npet ( pet q)n 1 ; G'' (t) npet ( pet q)n1 n(n 1) p2e2t ( pet
'

q)n2 G' (0) np E(X ) ; G'' (0) n2 p2 npq E(X 2 )

2.5. Probleme rezolvate

Aplicaia 2.5.1. Fie variabilele aleatoare independente :



12

0 1 2 1

X : i Y : .


1
/
31
/
1/ 1
/2
1/ 2
4 1/ 4 6
S se scrie variabilele
aleatoare : 2X, Y2, X+Y, XY,
2X+3Y, X/Y,
ma
x(X
,Y), X .

Rezolvare
53
 Probabilitile corespunztoare
2
valorilor lui 2X, Y , X sunt aceleai
cu cele
corespunztoare lui X
i respectiv Y. Avem:
4

2 0 1 2 2 1 4

2 , X: ,Y : .

1

1//
4
1/ 1/
4 2

4 1/ 4

1/ 2 1/ 2
2
P(Y 1) P(Y 1 Y 1) P(Y 1 1 1
1) P(Y 1) .
3 6 2
Deoarece X i Y sunt independente avem c pij = piqj,1 i, j 3 . De exemplu
1 1 1 .
p P(X 0,Y 1) P(X Obin
0)P(Y 1) em
1
2 2 6 12
0 1 0
1 0 2 11 11 1 2 2 1 2 1 2 2
X

Y : 1/1 1/ 1/1 1/ 1/ 1/

1/ 6 2 4 2 1/ 24 1/ 8 12 24 8
adic
1 0 1 2 3 4
XY: .

1/ 6 1/12 1/ 6 7 / 24 1/ 6 1/ 8
Analog
0 (1) 0 1 0 2 1 (1) 11 1 2 2 (1) 2 1 2 2
X

Y : 1/ 1/
6 1/12 1/ 4 1/12 1/ 24 1/ 8 1/12 1/ 24 8
de unde
2 1 0 1 2 4
X Y : .

1/12 1/ 2 1/12 1/ 24 1/ 6 1/ 8
Cum 2X i 3Y au repartiiile
0 2 4 3 3 6
2X : , 3Y : ,

1/
1/ 2 1/ 4 1/ 4 1/ 3 6 1/ 2
obinem repartiia lui 2X + 3Y :
2 3 1 1 3 5 6 7 8 10
X 3Y : .

1/ 1/ 1/
1/ 6 1/12 1/12 1/12 1/ 24 4 1/ 24 8 8
La fel obinem:
2 1 0 1/ 2 1 2
 X : ,

Y 1/12 1/12 1/ 2 1/ 8 1/ 6 1/ 24
0 1 2
max( X ,Y ) : .

1/ 6 5 / 24 5/8
Aplicaia 2.5.2. Fie X i Y dou variabile aleatoare discrete ale cror repartiii
probabiliste comun (pij ) i marginale (pi) i (qj) sunt date n tabelul urmtor :
X\
Y -1 0 1 p
- 1/1
1 1/8 2 1/6 3/8
1/2
1 4 1/4 1/3 5/8
qj 1/6 1/3 1/2 1
5
4
 a) S

s
e
a) S se scrie variabilele aleatoare X i Y.
d
b) S se precizeze dac X i Y sunt independente. e
2 2
c) S se scrie variabilele X + Y , X Y, X , Y , Y/X . t
e
Rezolv r
are m
a)Din tabelul de repartiie de mai sus deducem c i
n
1 1 1 0 e
X : i Y:

3 / 8 5 / 8 1/ 6 1/ 3 1/ 2
p
b)Dac X i Y ar fi independente atunci .
p11 P(X 1,Y 1) p1q1 P(X 1)P(Y 1) ,
ceea ce nu are loc ntruct 1
8
c)Deoarece
p 1 ,p 1 ,p 1 ,p
11 8 12 12 13 6 21

obinem
2 1 0
X Y:

1/ 8 1/12 1/ 6 1/ 24
1 0
X Y :

1/ 6 1/ 24 1/12 1/ 4
X 1 0
:

Y 1/ 24 1/ 6 1/12 1/ 4

Repartiiile lui X2 i Y2 rezult imediat din cele ale lui X i Y:

1 ,Y 0 1
2
X 2 :

:

.
1
1/ 3 2 / 3
Ap
1 2 3 3
lica
ia
2.5.
3.
Fie
var
iab
ila
ale
ato
are
dis
cre
X:
t
2
2

p p p p
 b) S se calculeze funcia de repartiie a lui X.
c) S se calculeze probabilitile:
P(X 1), P(X 3), P(X 4), P(1,5 X 3,2), P(X
2,1), P(3,1 X X 2,8), P(1,5 X 3 2 X 4).

Rezolvare
2 2 2
a) Trebuie s avem p + p + p + p + p = 1 i p 0. Rezult
3p2 + 2p = 1 i p 0, adic p = 1/3.
b) Cum F(x) = P(X x) rezult c F(x) = 0 dac x 1,
F(x) = p = 1/3 dac x (1,2] ,
F(x) = P(X=1) + P(X=2) = p + p2 = 4/9 dac x (2,3],

55

3
.

p2
 2
F(x) = P(X=1) + P(X=2) + P(X=3) = p + p + p = 7/9 dac x (3,4],
F(x) = P(X=1) + P(X=2) + P(X=3) + P(X=4) = p + p2 + p + p2 = 8/9
dac x (4,5] i F(x) = 1 dac x > 5 .
Deci : x
0, 1;
1 1
x
, 2;
3
4 2
x
, 3;
9
F (x)
7 3
x
, 4;
9
8 4
x
9 , 5;

x
1, 5.
c) Avem
P(X<1) = P() = 0, P(X<3)=P(X=1)+P(X=2)=4/9,
P(X>4)=P(X=5)=1/9, P(1,5<X<3,2)=P(X=2)+P(X=3)=4/9,
P(X2,1)=P(X=3)+P(X=4)+P(X=5)=5/9,
P(3
,1 P(
X X, X
P(3 X
2,8 3,1
,1 2,8
) ) 2 p2 2
X )
P( P(
X X
2,8 2,8 p
) ) 2 p2 5
P(1,5<X3/2<X<4)=P(X=2 sau X=3 / X=3) = P(X=3/X=3) =1.

Aplicaia 2.5.4. Determinai constanta a R pentru ca funcia f dat mai jos s fie densitate de
repartiie i apoi s se determine funcia de repartiie corespunztoare. S se calculeze mediana,
cuantilele i valoarea modal a variabilei aleatoare X avnd densitatea de probabilitate (x):
x
[0
,1/
2x, 2]
2x
x
(1
/
(x) a , 2,2]
 3 altf
0, el.
Rezolvare
1
/

2 2 2x
Avem (x)dx 1 , de unde 0 xdx 1/ 2 a dx 1 sau
3
2
2 1/ 2 x 2 . Rezult a = 4/3 i
x 0

ax

1/ 2
1 deci
3 x x
0, 0 0, 0
2 x 2 x
[ [0
0,1/ ,1/
x x , 2] x , 2]
F(x)
2
(t)dt 1 x 4 2t 4x x 1
x x
(1/ (1/
4

1/ 2 3 dt, 2,2] 3 , 2,2]

x x
1, 2 1, 2
5
6
 ntruct F este continu vom avea F(x) = F(x+0) , x , deci
1 i 1 1.
F F Ac
F ( (X , ( (X ea
(M (X M )) adi M )) sta
e )) e c e se
2 2 2
real 4x x2 1 1 3
ize
az
pen , de
tru unde x 2 (1/ 2,2] .
3 2 2
A

a
d
a
r
M (X ) 2 3 c . Se observ c F(1/2)=1/4 dec
e 2 2

4x
2
2
rezult din F(x)=3/4, adic x 1 3 , de unde c
3 4 3

Deoarece este cresctoare pe [0,1/2] i descresctoare pe (1/2,2],

x=1/2 este punct de maxim (singurul), prin urmare Mo (X ) 1 .
2
Aplicaia 2.5.5. S se determine variabilele aleatoare independente
x x 1 x 2 x 3 y 2y 3y
i
X Y : ,
2 2
p
2
p 3p 4p q q q
tiind c E(X)=2 i E(Y)=7. S se calculeze apoi E(2X+3Y), Var(X),
Var(Y) i Var(2X+3Y).

Rezolvare
Deoarece X este o variabil aleatoare trebuie s avem p+2p+3p+4p=1,
adic p=1/10. Atunci
E(X) = xp+(x+1)2p+(x+2)3p+(x+3)4p = 10px+20p = x+2.
Cum E(X) = 2 rezult c x = 0.
2 2 2
Analog q+q +q =1, adic 2q +q-1=0, de unde q=1/2. Rezult c
2 2 7
E(Y)=yq+2yq +3yq = y . Cum E(Y) = 7 avem c y=4. Tablourile de
4
repartiie ale lui X i Y vor fi
 0 1 2 3 4 8 12

X 1 1 3 2 ,Y 1 1 1

:
.

10 5 10 5 2 4 4
Folosind proprietile mediei avem
E(2X+3Y) = E(2X)+E(3Y) = 2E(X)+3E(Y) = 22+37 = 25.
Pentru calcularea dispersiilor avem nevoie s calculm mediile lui X 2 i Y2. Acestea au
tablourile de repartiie
0 1 4 9 16 64
2 2
1 1 3 2 : 1 1

X : ,Y
10 5 10 5 2 4
E(X 2 ) 0 1 1 14 3 9 2 5 i
10 5 10 5

57
 1 1 1
E(Y 2 ) 16 64 144 60 . Atunci
2 4 4
2 2 2 2
Var(X) = E(X )-E(X) = 5-4 = 1 i Var(Y) = E(Y )-E(Y) = 60-49 = 11.
Cum X i Y sunt independente, rezult c i 2X i 3Y sunt independente
i avem
Var(2X+3Y) = Var(2X)+Var(3Y) = 4Var(X)+9Var(Y) = 41+911 =
103.

Aplicaia 2.5.6. S se determine variabilele aleatoare X i Y ale cror repartiii

sunt date incomplet n tabelul de mai jos, tiind c E(X)=17 i Var(Y)=1. S se
calculeze apoi E(XY) i Var(X-Y).

X\
Y -b 0 b pi
1
/ 1/1
a 5 0
3
/
2
a 2/5 5
1
/
qj 5

Rezolvare
3 2
Deoarece p1+p2=1 rezult c p1 1 . Mai departe
55
p11+p12+p13=p1, adic

p13+p23=q3 rezu

p 3 2 1 1
21 5 5 10
q2 1 . Obinem astfel

a a2

X: 2 3 , Y:

5 5
2
adic 3a +2a-85=0,
E(Y ) 3b 0 1 b
10 2 5
E(Y 2
) (b) 2

 Var(Y ) E(Y 2

astfel c b2 100 , ad
49
 a2b ab 0 ab a2b a b a2 b a a2

X
Y
XY : 1 1 1 1 1 i : 1 1 1 2
10 5 2 10 10 10 10 10 5
a2b ab ab a2b
Astfel E(XY)
10 5 10
Dac a=5, E(XY)=-5/7, iar dac a=-17/3, E(XY)=17/21. Pentru
calcularea dispersiei lui X-Y, avem nevoie de:
E( a b a2 b a 2a2
X

Y
)

10 10 10 5
E[(X Y ) (a b) 2 2
(a b) 2
a2
2
]

10 10 10
6a4

4a
2
2ab 5b2
1
0
Pentru a=5, b=10/7 avem E(X-Y)=

deci Var(X Y ) 18985 144

49 49
Aplicaia 2.5.7. S se determine parametrii care apar n repartiiile urmtoare
i s se calculeze apoi E(X) i Var(X), X fiind o variabil aleatoare, avnd
repartiia respectiv:
n
1
a) X : qn , n N, q
0;4
x
X:
b) 2
, x [0,1], a 0 ;

a(x 2x)
a2 x3 , x [0,1]
x 1
c)X : , (x)
ax, x (1,2]

(x) 2
0, altfel.

Re
zol
var
e

a)Din condiia 1 qn 1 rezult c 1 1
n0 4 4 1 q
1 n 1 n1
E(X ) n q qn q
4
A n0 4 n0

t
u
n
c
i 1 1 ' 1 1 1 3
q q
2
4 1 q 4 (1 q) 4 4

59
 2 2 1 n 1
E(X ) n q qn(q
4
n0 4 n0

1 1 '
1 2
q 2 q 3
4 (1 q) 4 (1 q)
2 2
Astfel Var(X) = E(X )-E(X) = 24-9 = 15.

b) Din condiia 0 a(x2 2x)dx 1 rezult c

x3 2 1 4
a x 1 a 1 a
0
3
3
1 1
E(X ) 0 x (x)dx 0 x (x 2x)dx

2 1 2
E(X ) 0 x (x)dx 0

Astfel Var(X ) E(X 2

)E
2
c) Din condiia 0 (x)dx 1 rezult c
1 2 3 2 ax 2 x4 1 x2 2 a2
dx
1Cu
dx 1 1
a m
a

0 x 1 2a 4 0 4 11 4

(x) 0 numai a=1 convine, astfel c :

2 1 3 2
E(X ) 0 x (x)dx 0 x x dx 1 x
4
2 2 2 1 2 3
E( (x)dx 1 7 41
) 12
X 0 x 0x x dx
5 6 30
) 49 41 x4 49

2 2
E( 12 ,
Var(X ) E(X X) 8 24
24 30
Aplicaia 2.5.8. Fie vectorul aleator (X,Y) cu X,
independente, a crui densitate de probabilitate este
Y variabile aleatoare

a
 .
S
se
de
(1 ter
2
(x, x ) mi
y) (1 ne
y2 ) :
a) funcia de repartiie corespunztoare;
b) P((X ,Y )[0,1)[0,1)) .

Rezolvare

60
 a
a) Avem
R 2 (x, y)dxdy 1, deci (1 x2 )(1 y2 )

dx dy
c 1 a arctgx arctgy

a
1 x2 1 y2 1 a
d
u
d
1 x y v 1 x du dv
y

F (x, y) 2

(1 u2 )(1 v2 ) 2
1 u2 1 v
Atunci 1 1 1 1
ar
ctg
arctgx y
2 2
1 1 1 dudv
P
(
(
X

,
Y

D
)
)
2 0 0 (1
u 2
(1
v 2
)

b)
F (1,1) F (1,0) F (0,1) F (0,0) 1
16
Aplicaia 2.5.9. Fie vectorul aleator (X,Y) cu densitatea de probabilitate
(x,
y)
[
0,1
][
0,2
ax2 y, ]
(x, y)
altf
0, el.
a) S se determine constanta a.
 b) S se calculeze funcia de repartiie F(x,y) i funciile marginale
FX(x) i FY(y).

Rezolvare
12 12

x2dx

0
ydy
a) 1,
A (x,
0 0 rezu
v
ey)dxdy 1, a
lt
madic 0 c
2a 3
1
de
un
de
a
.
3 2
x y

(x, y)dxdy .
b) Avem F (x, y)
Dac x < 0 sau y < 0, atunci f(x,y)=0 i deci F(x,y)=0.
Dac x > 1 i y > 2, atunci F(x,y)=1.
Dac (x,y) [0,1][0,2] avem
x y3 2 3 x 2 y x3 y2
F
x
y

vd
ud
2
u v 2 0 u du
0 vdv 4 .
Dac x [0,1] i y > 2 avem 3
0u du0
F 0 2
3
u2vdudv 2
2
vdv x3 .
x 2 x 2

Dac x > 1 i y [0,2] obinem

F 2
0 3 u2vdudv 3
0 u2du0 vdv
y
.

1 y 1 y

2 2 4

61
 x
0sa
uy
0, 0
2 (x,
y)
[
0,1
][
0,2
, ]
4 x
[0
,1],
Astfe
l F(x,
y
y) x3 , 2
y2 x
1, y
[0
, ,2]
4 x
1,
y
1, 2
Funciile de repartiie marginale sunt
x

0
x
[
0,1
FX (x) F (x, ) x3 , ]
x

1, 1
y

0, 0

2
y
FY
( y) [0
F(, ,2
y) , ]
4
 y

1, 2

Aplicaia 2.5.10. Fie vectorul aleator (X,Y) avnd densitatea de probabilitate
y)
( x
x
0, y
e , 0
(x, y)
altf
0, el
S se calculeze:
a) P(X<1,Y<1), P(X+Y<1), P(X+Y2), P(X1/Y1), P(X<2Y),
P(X=n) ;
b) Funcia de repartiie F(x,y) i funciile de repartiie marginale FX(x),
FY(y);
c) Densitile de repartiie marginale X(x), Y(y);
d) Momentele obinuite de ordin (k,s) ;
e) Corelaia variabilelor X i Y.

Rezolvare
1 1

a) P(X 1,Y 1) (x, y)dxdy

1 1 x y dxdy x 1 y 1 1 2

00
e (e ) 0 (e ) 0 (1 e )
1 1x 1
xy 1 x
e dxdy 0 ex 0
P(X Y 1) (x, y)dxdy 0 0 (e y )dx
xy
1
1

0 (ex e1 )dx (ex ) 1

0
e1 1 2e1 ,
P(X Y 2) 1 P(X Y 2) 1 (x, y)dxdy
x y2
2 2x 2 2

0
2x
dx 1 0 (e e2 )dx
x

xy
1 0 0 e dxdy 1 0 ex (e y ) 3e2

62
 P(X 1,Y 1)
P(X 1/Y 1)
P(Y 1)
P(X
x y x 2 x 2 2
1,Y 1) dx
(
e dy e dx e ) 1 e
1 1 1

P(Y
1) exy dxdy
1
0 1 ex 0
y
(e ) e 1

P(X 1,Y 1) e1
x
P(X ex
(
ey 0x / 2
0 2Y ) e
xy
dxdy 0 2 x y
0 e e dydx 0 ) dx
0x2
y

x
3x
x 2 3x
2 1
(e e 2 )dx e e 2 1 , P(X=Y)=0.
0
3 3 3

 x y

b) Avem F (x, y) (u, v)dudv .

Dac x > 0 sau y < 0 (x,y)=0, deci F(x,y)=0. Dac x 0 i y 0 avem
x y x y

eu

du0

evd

(1

F eu ex )
v
(x, du (1

y) dv e y

0 0 0 ) .
Funciile de repartiie marginale sunt
FX (x) F (x, ) 1 ex i FY ( y) F (, y) 1 e y .
c) Densitile de probabilitate marginale X (x) i Y ( y) sunt derivatele
funciilor de repartiie marginale:

y
0x
,0 0,0
X
(
x)

e
x ,
x y

, ( y)
0 Y ey , 0 .

d)
xk yse
k,s

M (X x
k s
Y ) y
dxdy
0 0

xk
exd yse ydy (k 1)(s

x0 1) k!s! ,

unde
( x p1exdx este a lui
p)
funcia Eu
gama ler

 i
0 are
p
proprietatea c (
p 1) p! pentru N .
e
)
A
v
e
m

y
e
y

d
cov(X ,Y ) E(XY) E(X )
y
E(Y ) m11 0 xex dx0
1(2)2 11 0 .
Aplicaia 2.5.11. Fie (X,Y) un vector aleator discret a crui repartiie probabilist este dat n
tabelul de mai jos. S se calculeze coeficientul de corelaie r(X,Y) i s se scrie ecuaiile
dreptelor de regresie.
X\ p
Y -1 0 1 2 i
1
1/1 / 1/1
-1 0 5 0 0 2/5
1/2 1/1 1/2
0 0 0 0 0 1/5
1
/
1/1 1 1/2 3/2
1 0 0 0 0 2/5
3
/
1
qj 1/4 0 1/4 1/5 1
6
3
 Rezolvare
Pe baza formulelor corespunztoare, deducem imediat:
2 1 2 1 3 1 1 2
E(X ) 1 0 1 0 , E(Y ) 1 0 1 2 ,
5 5 5
2
E(X ) 2 1 2 4

(1)2 02 12 ,
5 5 5 5
E( 1 3 1
Y2
)
(1
)2 02 12 22
4 10 4
Var(X ) E(X 2 ) E(X )2 4 ,
5
Var(Y ) E(Y 2 ) E(Y )2 13 4 57
10 25 50
1 1
E(XY) (1) (1) (1) 0 (1) 1
10 5
1 1 1 1 1 3 1
0 0 0 0 1 02 1 (1) 1 0 11 1 2

10 20
cov(X ,Y ) E(XY ) E(X )E(Y ) 1
cov(X , 4
r(X ,Y Y) 0,
)
Var(X )Var(Y ) 2
5
Ecuaiile dreptelor de regresie sunt :
y 2 y
x0 5
0,2
5 ,
4 57 57
5 50 50
Aplicaia 2.5.12. S se determine funcia caracteristic i funcia generatoare de momente i
apoi s se calculeze, pornind de la acestea, momentele m1 i m2 , pentru urmtoarele variabile
aleatoare:

0 1 2

a) X : 1 1 1 ;



2 4 4
x
b) X : , x 0 .

x

e
Rezolvare
a) Avem
2
1
eit
i
0it 1 t 1 2it 1 e2it
X
(t)
e 2e 4e 4 4 i

64
 2 et
1 0t 1 1t 1 2t e2t
(t)
G
X
2e 4e 4e 4 .
Primele dou derivate ale acestor funcii sunt:
' i it 2it " 1 it
X (t) (e 2e ) , X (t) (e 4e2it ) ,
44
1 1
GX' (t) (et 2e2t ) , G"X (t) (et 4e2t ) .
4 4
Obinem
' 3i 5 3 5
X (0) , "X (0) , GX' (0) ,G"X (0) , de unde
4444
'
(0) 3
X

1 (X ) E(X ) GX' (0) i
i 4
"
(0) 5
X
2
2 (X ) E(X ) GX" (0) .
2
i 4
x x
b) X (t) 0 e e dx 0 (costx i sin tx) e dx
itx

x
0 costx e dx i0 sin tx exdx A iB

A 0 costx ex dx 0 costx (ex )'dx

costx
e x 0

0 t sin tx exdx 1 tB ,

x x
B 0 sin tx (e )dx sin tx e 0 0 t costx exdx tA .

1 t
Obinem A = 1 - t2A, adic A = i B = .
1 t2 1 t2
Ast 1 it
fel (t) .
2
X 1 t
1

tx x
x(t1) ex(t1)
Apoi dx ,t 1 .
e 0
GX
(t) dx t
0 e 0 e 1
Primele dou derivate sunt
1
4t2
1
(t) 0it
' i 2t it2 , " (t) 6it3 2 ,
 (
1

t
2

)
2 4 5
X (1 t ) X
(t) 1 2
G' (1 , G" (t) .
X t)2 X (1 t)3
Obinem
(0)
G'
'
m (X ) E(X ) X
(0) 1 i
1 i X
"
(0)
X

GX" (0)
m2 (X ) E(X 2 ) i2 2.

65
 2.6. Probleme propuse

Aplicaia 2.6.1. Se consider vectorul aleator (X,Y) cu densitatea de

x, y0, yx1
probabilitate: x, y A ,daca
xy
. S se determine:
0, altfel
a) constanta real A;
b) densitile de probabilitate X, Y pentru variabilele aleatoare X, Y;
1 1 1 1
c) probabilitile P(0 X ,0 Y ) i P(X Y ).
2 2 2 2

Aplicaia 2.6.2. La patru uniti alimentare din ora se poate gsi zilnic pine
proaspt cu probabilitile p1=0.8, p2=0.9, p3=0.95 i respectiv p4=0.85. Fie X
numrul unitilor alimentare din cele patru la care se gsete pine proaspt
ntr-o zi fixat. S se determine:
a) distribuia variabilei aleatoare X;
b) valoarea medie, dispersia, abaterea medie ptratic, mediana i
modul variabilei aleatoare X.

Aplicaia 2.6.3. Fie (X,Y) coordonatele unui punct luminos ce reprezint o int
pe un ecran radar circular i care urmeaz legea uniform pe domeniul
2 2 2 2
D = (x,y) R x +y r . S se determine valoarea medie i dispersia
distanei Z = X 2 Y 2 de la centrul ecranului pn la punctul luminos.

Aplicaia 2.6.4. Folosind inegalitatea lui Cebev, s se arate c

m
P(0 X 2(m+1)) ,
m 1
dac variabila aleatoare X are densitatea de probabilitate
xm
, daca x0 ex
(x) . m!

0,
da
ca
x
0
Aplicaia 2.6.5. Probabilitatea ca o persoan s gseasc loc la un hotel este p
= 0.8. n decursul unei luni de zile, la hotelul respectiv s-au prezentat 4000 de
persoane. Fie X numrul persoanelor care au gsit loc la hotel din totalul de
4000. S se determine probabilitatea ca:
a) numrul persoanelor care au gsit loc la hotel s fie cuprins ntre
3000 i 3400;
b) numrul persoanelor care au gsit loc la hotel s nu depeasc
3000;
c) numrul persoanelor care nu au gsit loc la hotel s fie mai mic
dect 500.
Aplicaia 2.6.6. Fie variabilele aleatoare independente:
66


01 2 10 1 2
i Y
X: :

12 14 1
1 6 1 2 1 3 8
S determine variabilele aleatoare: X+Y; X-Y; X Y; X2; Y2; X3; Y3; 2X; 3Y;
2X+3Y; 3Y-2X; X .

Aplicaia 2.6.7. Fie X i Y dou variabile aleatoare discrete ale cror repartiii
probab
iliste i unidimensionale
comun ( pi ) i (qj ) sunt date
e ( pij ) n tabelul
de mai
jos:
Y p
-1 0 1 2 i
X
1/1 1/2 1/2 1/4 3/1
-1 2 4 4 8 6
1/4 1/2 1/4 1/2
1 8 4 8 4 1/8
1/4 11/
2 8 1/3 1/6 1/6 16
5/1 11/ 11/
q1/8 2 48 48 1

a) Scriei variabilele aleatoare X i Y;

b) Precizai dac variabilele aleatore X i Y sunt independente sau
nu i justificai rspunsul;
Y 2 3
c) Scriei variabilele aleatoare: X+Y; X-Y; X Y; ;X ;Y ;
X
3X-2Y;

Aplicaia 2.6.7. Fie variabilele aleatoare independente:

2 1 0 1 2 0 1 2 3 4 5

X: 1 1 2 1 1 i Y : 1 1 1 1 1 1


1
10 5 5 10 5 2 12 2 6 12 12
2 2
a) Calculai E(X), E(X ), Var(X), E(Y), E(Y ) i Var(Y);
b) Care dintre urmtoarele mrimi pot fi calculate i care nu i de
ce?
E(2X+3Y); Var(2X+3Y); E(X2+Y); Var(X2+Y);
2 2 2 2
E(X +Y ); Var(X +Y ); E(XY).
 c) Calculai mrimile de la punctul b) pentru care rspunsul este
favorabil.

Aplicaia 2.6.8. S se determine, n fiecare caz, variabila aleatoare X i apoi s

se calculeze E(X) i Var(X).
x , x N, p > x , x N,
0, q > 0, a > 0,
X:
a) b) X :
ax b > 0
x b
pq x!
x x , x
,x [0,
[0,1], 1],
a R, : a
c) X: d) X
2
R

a(3
ax
x 2x)
67
 x x
,a
R, x ,x
e) X: R, f) X : R,
a x
e
(x)
,x
ax 0,1
2 x 2
, x 1,2,
a

(x) a R
2 , n
0 rest

al
0 1
ea di
to sc
variabil ar ret

Aplicaia 2.6.9. Fie ele e e: X: 1 2 i

3 3
0 1 2
P(X 0,Y P(X 1,Y 1

Y: 1 1 1 . Dac 0) i 1) , s se
3
6 2 3
determine repartiia comun a vectorului aleatoriu (X,Y) n funcie de R.
r(X ,Y ) i precizai dac exist
Calculai apoi coeficientul de corelaie valori
ale lui pentru care X i Y s fie independente.
co
nt
vector in
(X ,Y ) aleato u
Aplicaia 2.6.10. Fie un riu u cu densitatea de
2 2
x
repartiie (X ,Y )
a(xy
y) , (x, y) 1,2 2,3 , a > 0

, n
0
rest
a) Determinai densitatea de repartiie (X ,Y ) i densitile de
repartiie marginale corespunztoare X (x) i Y ( y) ;
b) Calculai coeficientul de corelaie r(X ,Y ) .

Aplicaia 2.6.11. Calculai funcia caracteristic i funcia generatoare de momente pentru

fiecare dintre variabilele aleatoare:

1 2 3 2 1 0 1 2

a) X : 1 1 1 , b) X : 1 1 2 1 1 ,



6 3 2 10 5 5 5 10
x x
, x x
0,1
c) X: , d) X : ,0
2

3x xe
i apoi verificai dac momentele obinute pe cale direct coincid cu cele
obinute cu ajutorul acestor funcii.

Aplicaia 2.6.12. Verificai dac funciile urmtoare definesc repartiii ale unor
variabile aleatoare discrete i apoi calculai E(X) i Var(X) pentru fiecare dintre
ele.
(ln k 1
,k
1 ) 1
N,

1,
a) b)
P(k) P(k e ,k N,
) 0,
k
k! k!
c) P(k) k
(1 ) 1k
, k 0,1,0 1
68
 Capitolul 3

Legi clasice de probabilitate (repartiii) ale

variabilelor aleatoare discrete

Introducere

Vom prezenta n acest capitol principalele legi de probabilitate ale

variabilelor aleatoare discrete, i anume: legea discret uniform, legea
binomial i cazul su particular legea Bernoulli, legea binomial cu exponent
negativ i cazul particular legea geometric, legea hipergeometric i legea
Poisson (legea evenimentelor rare).

3.1. Legea discret uniform

Definiia 3.1.1. Variabila aleatoare discret X urmeaz legea discret uniform
dac are tabloul repartiiei

x1 x2 ... xn 1 *

n


(3.
unde pk n , 1.1
X: p p ...p , k 1, 2,...n, . )
1 2 n
Vom mai spune c variabila aleatoare X dat de formula (3.1.1) are o repartiie
discret uniform.
Din tabloul repartiiei variabilei aleatoare X se observ c
n n
1

p
k 1.
k1 k1 n

Teorema 3.1.2. Dac variabila aleatoare X are repartiie discret uniform cu

tabloul repartiiei (3.1.1), atunci valoarea medie i dispersia sa sunt

1n 1 n 2 1 n 2
 xk
,
E(X Var( (3.1
) X) xk 2 xk . .2)
n n
k1 k1 n k1
Demonstraie
Din formulele de calcul ale mediei i dispersiei obinem

69
 n n n
E(X )
1 1
x k pk
x

x k
,
k
k

n
1 k 1 n k1

n n 2
Var(X ) E(X 2 ) [E(X )]2 xk2 pk xk pk

k 1 k 1
n 2 1 n 1 2 1 n 2 1 n 2

xk xk xk 2 xk .
n
k1 n k 1 n k1 n k1
q.e.d.

Observaia 3.1.3. Deoarece Var(X ) 0 , din relaia a doua (3.1.2) avem

n n 2
nx
k
2
xk ,
k 1 k 1

relaie util n diverse aplicaii practice, i care rezult direct i din inegalitatea
lui Cauchy-Buniakovski-Schwarz.

Propoziia 3.1.4. Dac variabila aleatoare discret X are repartiie uniform cu

tabloul repartiiei (3.1.1), atunci funcia sa caracteristic este
n
1 e
itx
k , (3.
(t) t 1.3
R. )
n
k1

Demonstraie
Conform formulei de calcul pentru funcia caracteristic, avem
n n
1
eitxk
(t) ,
t

pk R.q
eitxk .e.
d.
 n
k 1
k 1
Propoziia 3.1.5. Dac variabila aleatoare discret X are repartiie uniform i
ia valorile xk k, k 1, 2,...,n, adic are tabloul repartiiei

1 2 n

X:
1 1 1 ,

n n n
atunci

70
E(X ) n 1 n2 1
, Var(X ) ,
12 12
sin nt i( n
1)t
2 , t R, t 2k , k
(t) Z; (t) 1, t
e 2 2k , k Z.
nsin t
2
Demonstraie
Din formulele (3.1.2), pentru xk k, k 1, 2,...,n, obinem

n n
E( 1 1 n 1
X)

n

x
k
n
k ,
k 1 k 1 2
1n 2 1 n 2 1 n 2 1 n 2
Var(X )
xk 2 xk k 2 k
n n
k 1 n k 1 k 1 n k 1
1 n(n 1)(2n 1) 1 n (n 1) n 1 .
2 2 2

n62412n

Din formula (3.1.3), obinem pentru funcia caracteristic

n it in
1 e 1 e
(t) e
itk
it
n k1 n 1 e

it 2sin 2 nt 2i sin nt cos

e 2 2
n t t
2sin 2
2i sin cos

2 2 2
eit sin nt

2 cos
(n 1)t isin
nsin t 2
2
(t) 1, t 2k , k Z.
q.e.d.

3.2. Legea binomial. Legea Bernoulli

Definiia 3.2.1. Variabila aleatoare discret X urmeaz legea binomial ( X are
o repartiie binomial) cu parametrii n i p ( n N, 0 p 1) dac ia valorile
0,1,2,...,n cu probabilitile

71
P(
X
k)

Cnk
pk
qn
k
,
k
0,1, (3.
2,... 2.1
,n, )

unde q 1 p.
Tabloul repartiiei variabilei aleatoare X este

0 1 2 ... n
X
0 0 n 1 n1 2 2 n2 n n
.
0

Cp Cn Cn
n q Cn pq p q ... p q
n n

Se observ c Cnk pk
Cnk pn k qk ( p q)n 1.

qn k
k k 0
Ex
em
plu
l
3.2. evenimente
2. Dac A1 , A2 ,..., An sunt independente i
P(
Ai )

p, i

1, evenimentelor
2, ...,n, iar X reprezint numrul care se
realizeaz n cadrul unei experiene , atunci X are repartiie binomial cu
parametrii n i p (conform schemei lui Bernoulli).

Exemplul 3.2.3. Dac A este un eveniment legat de o anumit experien i

probabilitatea ca A s se produc cnd efectum o singur dat experiena este
P(A) p, atunci variabila aleatoare care are ca valori numrul realizrilor lui A
cnd efectum de n ori experiena are repartiie binomial cu parametrii n i p.
Teore 3.2.4.
ma
Dac variabila aleatoare X are repartiie

binomial cu

parametrii n i p, atunci valoarea medie i dispersia sa sunt

E( X ) np, Var( X ) npq. (3.2.2)

Demonstraie
Valoare medie a variabilei aleatoare X este
n
0 0
E(X ) 0Cn p q 1Cn pq n 1 n1
2 Cn2 2
p q n2
nCn p q kCnkpkqnk.
n n 0
k 0

Pentru a calcula suma de mai sus vom considera polinomul

P(x) ( px q)n Cn0 pn xn Cn1 pn1qxn1 Cnn1pqn1xCnnqn

n n

Cn k
pnk
q x k nk
Cnk pk qnk xk .
k 0 k 0

72
 Derivnd polinomul de mai sus obinem

P'(x) np( px q)n1 nCn0 pn xn1 (n 1)Cn1 pn1qxn2

(3.
2.3
)

C

pq

0

n

kC
k

q
x
.

Lu
nd
x
1 n
rela
ia
(3. n
2.3 p(
), p
obi
ne q)
m n
1,
kCn de
k k
p u
n
q n
k
de

rezult c E(X ) np.

Pentru a calcula dispersia lui X vom folosi formula
 Var(X ) E(X 2 ) [E(X )]2 .

Media variabilei X este E(X ) k 2Cnk pk qnk .

2 2

k 0

nmulim relaia (3.2.3) cu x i obinem

xP'(x) npx( px q)n1 nCn0 pn xn (n 1)Cn1 pn1qxn1 Cnn1 pqn1 x

n

0 Cnn qn kCnk pk qnk xk .

k0

Dac derivm relaia de mai sus deducem c

P'(x) xP''(x) np( px q)n 1 n(n 1) p2 x( px q)n 2 k 2Cnk pk qn k xk 1.

k 0

Lund x 1n relaia de mai sus deducem c E(X 2 ) np n(n 1) p2 .

Obinem astfel dispersia lui X

Var(X ) np n(n 1) p2 n2 p2 np np2 npq.

q.e.d.

Propoziia 3.2.5. Dac este modulul (valoarea cea mai probabil) a unei
variabile aleatoare X cu repartiie binomial cu parametrii n i p, atunci

np q npp,

unde q 1 p.

73
Demonstraie
Dac este modulul variabilei X atunci

P(X 1) P(X ), P(X 1) P(X ).

Inegalitile de mai sus ne conduc la sistemul

q p
n
1 1 1 n

n
p


C
p q Cn p q n 1 p

n


n
p
n
1 p 1 q 1 C p q n p q q,
C

n n

1 n
de unde rezult concluzia propoziiei. q.e.d.

Propoziia 3.2.6. Dac variabila aleatoare X are repartiie binomial cu

parametrii n i p, atunci funcia sa caracteristic este

(t)
(
peit

q)n
, t (3.
2.4
R. )

Demonstraie
Conform formulei pentru funcia caracteristic avem
n n

(t) Cnk pk qnk eitk Cnk ( peit )k qnk ( peit q)n , t R.

k0 k 0
q.e.d.

Teorema 3.2.7. Dac variabilele independente X i Y au repartiii binomiale cu

parametrii n i p, respectiv m i p, atunci variabila X+Y are repartiie binomial
cu parametrii m+n i p.

Demonstraie
Deoarece X ia valorile 0,1, ,n, iar Y ia valorile 0,1, ,m, rezult c variabila X+Y
va lua valorile 0,1, ,n m. Variabila X+Y are valoarea k ( k 0,1, ,n m) dac
(X=0 i Y=k) sau (X=1 i Y=k-1) sau ... sau (X=k i
Y=0). Atunci vom obine

74
 k k
P(X
Y {X j, Y k

k) j}
P(X j, Y

P k j)
j


0
k k

P(X
j)P(Y k j)
Cnj p j qn
j
Cmk j pk j
qmk j
j
j
0 0
k
pk qmnk Cnj Cmk j Cmkn pk qmnk . j0

Am folosit mai sus faptul c evenimentele X i Y sunt independente, i de

k

asemenea am utilizat formula Cnj Cmk j Cmkn , care poate fi dedus egalnd
j 0
coeficientul lui xk din dezvoltrile (1 x)n (1 x)m i (1 x)nm .
Deci am obinut

P(X Y k) Cmkn pk qmnk