RODICA TRANDAFIR

RODICA IOAN MANUELA GHICA

7(25,$352%$%,/,7 ,/25
'HVFULHUHD&,3D%LEOLRWHFLL1D LRQDOHD5RPkQLHL
TRANDAFIR, RODICA
7HRULDSUREDELOLW LORU/ Rodica Trandafir, Rodica Ioan,
Manuela Ghica. %XFXUHWL(GLWXUD)XQGD LHLRomnia de
Mine, 2007
156p.; 23,5 cm
Bibliogr.
ISBN 978-973-725-727-7

I. Ioan, Rodica
II. Ghica, Manuela

519.21(075.8)

(GLWXUD)XQGD LHLRomnia de Mine, 2007

7HKQRUHGDFWRU6LOYLX%5=
Coperta0DULOHQD% /$1
Bun de tipar: 10.01.2007; Coli tipar: 9,75
Format: 16/70100
(GLWXUD)XQGD LHLRomnia de Mine
%XOHYDUGXO7LPLRDUDQU%XFXUHWL6HFWRU
Tel./Fax 021/444.20.91; www.spiruharet.ro
e-mail: contact@edituraromaniademaine.ro
 UNIVERSITATEA SPIRU HARET
)$&8/7$7($'(0$7(0$7,& ,1)250$7,&

RODICA TRANDAFIR
RODICA IOAN MANUELA GHICA

(',785$)81'$ ,(,ROMNIA DE MINE

%XFXUHWL
 CUPRINS

1. Algebre boole. Corpuri de pri . 9

1.1. Mulimi 9
1.2. Algebre Boole . 10
1.3. algebre Boole ... 13
1.4. Corp de pri 14
1.5. corp de pri ... 14
1.6. Msur ..... 15
Exerciii i probleme propuse . 16
2. Cmp de evenimente. Probabilitate .. 17
2.1. Cmp de evenimente . 17
2.2. Probabilitate pe un cmp finit de evenimente ... 23
2.3. cmp de probabilitate .... 28
2.4. Evenimente independente. Probabilitate condiionat . 30
Exerciii i probleme propuse . 35
3. Variabile aleatoare. Caracteristici numerice. Funcie de
repartiie .. 38
3.1. Variabile aleatoare discrete ... 38
3.2. Momentele unei variabile aleatoare discrete .............................. 44
3.3. Variabile aleatoare de tip continuu .. 48
3.4. Funcie de repartiie .. 50
3.5. Momentele unei variabile de tip continuu . 58
Exerciii i probleme propuse .. 62
4. Repartiii probabilistice clasice ... 64
4.1. Repartiii de tip discret 64
4.1.1. Teorema particular a experimentelor repetate... 64
4.1.2. Teorema general a experimentelor repetate.. 67
4.1.3. Repartiia Poisson de parametru 69
4.1.4. Schema polinomial 72
4.1.5. Schema bilei nerevenite.. 72
4.2. Repartiii de tip continuu . 74
4.2.1. Repartiia de densitate uniform.. 74
4.2.2. Legea normal. 78
4.2.3. Repartiia lognormal.. 84
4.2.4. Repartiia exponenial negativ. 85
4.2.5. Repartiia 2 ... 85
4.2.6. Repartiia Student 88
Exerciii i probleme propuse . 89
5
5. Sisteme de variabile aleatoare. iruri de variabile aleatoare.
Convergen .. 93
5.1. Variabile aleatoarebidimensionale discrete ................................ 93
5.2. Funcii de repartiie....................................................................... 95
5.3. Sisteme de variabile absolut continue ...... 97
5.4. Repartiii marginale. Repartiii condiionate................................ 99
5.5. Valori medii. Medii conditionate ................................................ 106
5.6. Variabile aleatoare n -dimesionale................................................ 111
5.7. Caracteristici numerice ale sistemelor de doua variabile
aleatoare. Covarian. Coeficient de corelaie. ....................................... 113
5.8. iruri de variabile aleatoare..... 118
5.8.1. Convergena n probabilitate............................................... 118
5.8.2. Convergena aproape sigur............................................... 121
5.8.3. Convergena n repartiie.................................................... 123
5.8.4. Convergena n medie......................................................... 125
5.8.5. Legea numerelor mari.......................................................... 127
5.8.6. Problema asimptotic central............................................. 129
Exerciii i probleme propuse .. 133
6. Funcii caracteristice .... 136
6.1. Funcii caracteristice unidimansionale ... 136
6.2. Funcii caracteristice n dimensionale . 143
6.3. Convergena irurilor de funcii caracteristice ... 144
Exerciii i probleme propuse .. 146
x2
1
Anexa 1. Tabla de valori a funciei f ( x ) = e 2
. 148
2
x z2
1
Anexa 2. Tabla de valori a funciei ( x ) =
2 0
*
e 2
dz . 149

Anexa 3. Tabla de valori t = t (, n ) 151

Anexa 4. Tabla de valori q = q ( , n ) . 152
Anexa 5. Punctele critice ale distribuiei .. 2
153
Anexa 6. Puncte critice ale distribuiei Student.. 154
Bibliografie . 155

6
 CUVNT-NAINTE

7HRULDSUREDELOLW LORUHVWHRGLVFLSOLQ PDWHPDWLF L]YRUkW GLQH[SHULHQ FDUHDGDW

FRQFHSWHORU VDOH GH RULJLQH H[SHULPHQWDO  R IRUP  ULJXURV PDWHPDWLF  7UHSWDW DFHDVW 
GLVFLSOLQ L-DO UJLWFkPSXOGHDSOLFDELOLWDWHSUREDELOLWDWHDLQWHUYLQHvQFXQRDWHUHDWXWXURU
GRPHQLLORU H[LVWHQ HL PDL DOHV vQ VWXGLHUHD DQVDPEOXULORU vQ GHWHUPLQDUHD VWDWLVWLF  D
HYROX LHLXQRUPXO LPLGHHYHQLPHQWHVDXVW ULvQWkPSO WRDUH
Modelele probabilistice sunt folosite att n statistica matePDWLF vQWHRULDPRGHUQ 
DMRFXULORUDILUHORUGHDWHSWDUHWHRULDPDWHPDWLF DDVLJXU ULORUFkWLvQFHUFHW ULOHGLQ
domeniul fizicii, chimiei, biologiei, ciberneticii, sociologiei, demografiei etc.
$VWIHO FDUWHD VH DGUHVHD]  WXWXURU DFHORUD FDUH GRUHVF V -L vQVXHDVF  QR LXQLOH
IXQGDPHQWDOH DOH 7HRULHL SUREDELOLW LORU D PRGXOXL GH JkQGLUH SUREDELOLVW XQ PRG GH
gndire specific acestei discipline.
/XFUDUHD GH ID  vL SURSXQH V  SUH]LQWH R LQWURGXFHUH D 7HRULHL SUREDELOLW LORU
VWUXFWXUD OXFU ULL UHIOHFWkQG SDUWHD GLQ SURJUDPD DQDOLWLF  D FXUVXOXL GH 7HRULD SURED-
ELOLW LORUGLQFDGUXO)DFXOW LLGH0DWHPDWLF ,QIRUPDWLF 
&DSLWROXOHVWHFRQVDFUDWDOJHEUHORU%RROHUHSUH]HQW ULLORUFDDOJHEUHGHS U L
ntr-XQ VSD LX FX LQWHQ LD GH D MXVWLILca punctul de vedere de ansamblu n calculul cu
evenimente.
 Q &DSLWROXO  VXQW SUH]HQWDWH QR LXQLOH IXQGDPHQWDOH GH HYHQLPHQWH DOHDWRDUH
respectiv de probabilitate.
Capitolul 3 introduce conceptul de variabile aleatoare, cu matematica lor de calcul.
Q&DSLWROXOVXQWSUH]HQWDWHVFKHPHOHSUREDELOLVWLFHFODVLFHFDUHIXUQL]HD] RELHFWH
FRQVLVWHQWHDOHFDWHJRULLORUGHFkPSXULGHHYHQLPHQWHLGHFkPSXULSUREDELOLVWLFH
Q&DSLWROXOVXQWSUH]HQWDWHVLVWHPHOHGHYDULDELOHDOHDWRDUHLUXULOHGHYDULabile
DOHDWRDUHFXWLSXULOHFODVLFHGHFRQYHUJHQ 
Q&DSLWROXOVHLQWURGXFHQR LXQHDGHIXQF LHFDUDFWHULVWLF LQVWUXPHQWXOFHOPDL
HILFLHQWGHFHUFHWDUHDOUHJLPXOXLDVLPSWRWLFDOLUXOXLGHYDULDELOHDOHDWRDUH
Fiecare capitol se ncheie cu exerci LLSUREOHPHLWHVWHGHYHULILFDUHFDUHLQYLW SH
FLWLWRUODRvQ HOHJHUHDSURIXQGDW DWHPHLFDSLWROXOXLLDWHKQLFLORUGHGHPRQVWUD LH
/XFUDUHDSRDWHILXWLO LVWXGHQ LORUGHODIDFXOW LOHFXSURILOHFRQRPLFSUHFXPLD
DFHORUDFDUHXWLOL]HD] DSDUDWXOVWDWLVWLFFHDUHODED] WHRULDSUREDELOLW LORU

AUTORII

7
8
 1. ALGEBRE BOOLE. CORPURI DE PRI

1.1. Mulimi
Noiunea de mulime este primar, n sensul c nu poate fi definit cu ajutorul altor
noiuni mai simple. n matematic cuvntul mulime marcheaz orice colecie bine
definit (n sensul c putem decide dac un anumit obiect aparine sau nu coleciei
considerate) de obiecte sau simboluri.
Deci a preciza o mulime nseamn a enumera obiectele care o compun sau a
indica proprietatea comun care caracterizeaz aceste obiecte.
Exemplu. A = {a, b, c, d , e}; B = {1,2,3,7}; C = x { 1 x 2} ; mulimea
numerelor ntregi .
n anumite probleme concrete ne limitm la obiecte care aparin unei anumite clase
de elemente, numite mulime de baz (sau de referin), notat prin .
Exemplu. Mulimea numerelor reale poate fi considerat mulime de baz
pentru submulimile sale: mulimea numerelor ntregi , mulimea numerelor reale
negative i mulimea ptratelor perfecte .
O mulime poate conine un numr finit sau un numr infinit de elemente. Dac o
mulime nu conine nici un element o vom numi mulime vid i o notm cu .
Exemplu. Mulimea rdcinilor reale ale ecuaiei x 2 + 9 = 0 este vid.
Fiind dat mulimea de baz , vom nota prin ( ) mulimea tuturor prilor
lui ; deci ( ) conine un numr de pri A, B, C ,... care luate individual sunt bine
definite ca mulimi.
Deci elementele lui ( ) sunt submulimi.
Ideea de mulime se ntregete prin conceptul de mulimi egale, adic mulimi care
au aceleai elemente.
n mulimea ( ) introducem operaiile urmtoare:
1. Reuniunea a dou mulimi A i B notat A B este mulimea elementelor care
aparin sau lui A sau lui B .
2. Intersecia a dou mulimi A i B , notat A B este mulimea elementelor care
aparin i lui A i lui B .
Dac A B = , spunem c mulimile A i B sunt disjuncte. Cnd
A B = B , atunci B este, evident o parte a lui A , deci B A .
3. Complementara unei mulimi A , notat AC este mulimea elementelor din care
nu aparin lui A .

9
 Se poate defini, complementara lui A n raport cu o submulime B n care A
este inclus ( A B ) ca fiind mulimea elementelor lui B care nu aparin lui A i
C
se noteaz A B = AC B .
4. Diferena a dou mulimi A i B , noteaz A B , este mulimea elementelor care
aparin lui A i nu aparin lui B .
Caracteristic pentru ( ) sunt urmtoarele proprieti fundamentale, cu evident
aspect intuitiv:
1. ( ) , ( ) .
2. Dac A ( ) , atunci AC ( ) .
3. Dac A, B ( ) , atunci A B ( ) .
4. Dac A, B ( ) , atunci A B ( ) .

1.2. Algebre Boole

Definiie. Se numete algebr Boole, o mulime nevid , n care sunt definite

operaiile , , C , i fa de care sunt verificate axiomele urmtoare:
1. A B = B A ; A B = B A ; (comutativitate)
2. A (B C ) = ( A B ) C ; A (B C ) = ( A B ) C ; (asociativitate)
3. ( A B ) A = A ; A ( A B ) = A ; (absorbie)
4. A (B C ) = ( A B ) ( A C ) ; A (B C ) = ( A B ) ( A C ) ;
(distributivitate)
( A A) B = B ; ( A AC ) B = B ; (complementaritate)
C
5.
oricare ar fi A, B, C .
Exemple.
1. Mulimea tuturor prilor ( ) ale mulimii nevide nzestrat cu operaiile de
reuniune, intersecie i complementaritate (fa de ) capt o structur de algebr
Boole.
2. Perechea de clase de resturi de ntregi n , modulo doi, 2 = {0,1} nzestrat cu
operaiile:
0 1 0 1
0C = 1 ,
0 0 1 0 0 0
1C = 0
1 1 1 1 0 1
(deci x y = x + y xy , x y = xy ), este o algebr boolean.
Avem urmtoarele consecine rezultate din definiii:

10
 Corolar 1 (transformarea prin dualitate). Dac ntr-o afirmaie adecvat n
care intervin operaiile , , C , i relaiile i , nlocuim peste tot pe cu ,
pe cu , pe cu i cu , iar pe C l lsm neschimbat, obinem tot o
afirmaie adevrat numit afirmaie dual.
Se observ c sistemul de axiome 1-5 rmne neschimbat dac substituim mutual
operaiile , , operatorul C pstrndu-i locul.
Corolar 2. (Legi de indempoten). Pentru orice A avem:
A A = A , A A = A . (1.1.)
Demonstraie. Aplicnd succesiv axiomele 3, 4 i iar 3 avem innd seama de 1:
A = ( A B ) A = ( A A) ( A B ) =
= ( A ( A B )) ( A ( A B )) = A A
Prin dualitate obinem relaia a doua.
Corolar 3. (Legi de monotonie). Oricare ar fi A, B, C , din A B rezult:
AC B C , AC B C . (1.2.)
Demonstraie. Avem A B = A i A B = B , deci
( A C ) (B C ) = ( A B ) (C C ) = B C
i astfel A C B C .
Prin dualitate se obine cealalt lege.
n
Corolar 4. Pentru orice ( Ai )1in , elementele A i = A1 ... An i
i =1
n

A
i =1
i = A1 ... An sunt unic determinate i nu depind de ordinea elementelor.

Aceast consecin rezult imediat din axiomele 2 i 1.

Corolar 5. ntr-o algebr Boole exist dou elemente numite elementul nul, notat
, i elementul total, notat V , astfel c pentru orice A au loc egalitile:
A A = i A A = V
C C
(1.3.)
Demonstraie. Dac A, B din axiomele 5 i 1 rezult A AC B i
B A AC .
nlocuind n prima relaie pe B cu B B C , iar n cea de-a doua pe B cu
B CB obinem:
A AC B B C i B B C A AC (1.4.)
Schimbnd pe A i B ntre ele avem:
B B C A AC i A AC B B C (1.5.)
Din (1.4.) i (1.5.) rezult:
A AC = B B C i B B C = A AC . (1.6.)

11
 Elementele A AC i A AC nu depind de alegerea lui A . (conf.
C C
relaiilor (1.6)); A A este elementul nul al algebrei Boole, iar A A elementul
total.
Observaie. n algebra Boole ( ) , V este ntreaga mulime , iar este
mulimea vid .
Corolar 6. Pentru orice A avem:
A V = A, A V = V, A = , A = A (1.7.)
sau:
A, A V. (1.8.)
Demonstraie. Din axioma 5 i din (1.3) rezult relaiile (1.7.) deci (1.8.).
Corolar 7. Dac A B = i A B = V , atunci B = AC .
Demonstraie. Din consecina 6 i axioma 4 avem
( )
B = B = A A B = ( A B) A B =
C C
( )
(
= V AC B = AC B) ( )
deci A B . Prin dualitate obinem B AC , deci B = AC .
C

Corolar 8 (Relaiile lui de Morgan). Pentru orice A, B avem:

( A B ) = AC BC
C
(1.9.)

( A B ) = AC BC .
C
(1.10.)
Demonstraie. Fie C = A B . Din axiomele 4 i 2 relaia (1.3) i consecina 6
C C

rezult:
( A B ) C = ( A B ) ( AC B C ) =
( ) (
= A AC B C B AC B C = = )
i analog:
( A B ) C = ( A B ) ( AC BC ) =
( ) (
= A B AC A B B C = V V = V )
Din consecina 7 rezult C = ( A B ) .
C

Analog se demonstreaz i (1.10)

Definiie. Un element A , A , se numete atom al algebrei , dac
incluziunea B A implic B = sau B = A , pentru orice B .
Exemplu. Fiecare parte a lui format dintr-un singur element este atom n
algebra ( ) .

12
 1.3. algebre Boole

Vom extinde operaiile de reuniune i intersecie pentru o familie oarecare de

elemente dintr-o algebr Boole, astfel:
Definiie. Numim reuniune a elementelor A elementul B dac
satisface condiiile:
1. A B pentru orice A .
2. Dac A D pentru orice A , atunci B D .
Prin dualitate suntem condui la:
Definiie. Numim intersecie a elementelor A , elementul C , dac:
1. C A pentru orice A ,
2. Dac D A pentru orice A , atunci D C .
Notm B = A , C = A .
AF AF

Dac = ( Ai )iI , atunci se utilizeaz notaia: B = A , C =A .

i i
iI iI
Definiie. Se numete algebr Boole (algebr Boole complet), o algebr
Boole, dac pentru orice ir de elemente ( An )n * exist
An .
n *
Operaiile de reuniune i intersecie definite aici sunt comutative i asociative.
Principiul dualitii se extinde i asupra afirmaiilor referitoare la reuniuni i intersecii
infinite. Relaiile lui de Morgan rmn valabile.
Teorema 1 (Legi de distributivitate). Dac este o algebr Boole i
A , ( An )n * avem

A An = ( A An ) (1.11.)
*
n n *

A An = ( A An ) . (1.12.)
*
n n *
Demonstraie. Notm B = An i F = ( A An )n * . Vom arta c A B
n *
verific condiiile din definiia reuniunii.
Din aceast definiie avem c An B , deci prin legea de monotonie, adic prima
condiie din definiia reuniunii, A An A B pentru orice n *
.
Fie A An D . Avem ( A An ) D = A An D C = , deci

(
An C A D C ) pentru orice n *
(
. Avem deci B C A D C . Rezult )

13
B ( ( A DC ) )
C C
= , adic B A D C = de unde se deduce A B D ,
deci condiia 2 din definiia reuniunii.
Relaia (1.12) rezult prin dualitate.

1.4. Corp de pri

Fie o mulime oarecare format din elemente i ( ) mulimea tuturor
prilor mulimii .
Definiie. Se numete corp de pri o familie nevid ( ) , cu proprietile:
(1.) A implic AC ;
(2.) A, B implic A B .
Din definiie rezult urmtoarele proprieti:
(P1.) Avem , .
n
(P2.) Dac ( Ai )1i n , atunci A .
i
i =1
(P3.) Dac A, B , atunci A B .
Demonstraie. fiind nevid, exist cel puin un element A deci conform cu
(1) , AC iar din (2) rezult A AC = . Observnd c C =
proprietatea (P1) este demonstrat.
(P2) rezult din (1) i (2) extinse la un numr finit de elemente:
C
n
n
i CAi .
A =
i =1 i =1
(P3) este imediat innd seama de faptul c A B = A B C i de (P2) .
1.5. corp de pri

Definiie. Se numete corp de pri (corp borelian) o familie nevid

( ) care posed proprietile:
(1.) A implic AC ;
(2.) ( An )n * implic An .
n *

Proprietile ( P1 ) (P3 ) rmn valabile i pentru corpuri. Avem adevrate i

urmtoarele proprieti:

14
(P4.) Dac ( An )n * , atunci lim An , lim An , proprietate care rezult
n
n

imediat dac inem seama de faptul c lim An = Ak ,
n n =1 k = n

lim An = Ak
n
n =1 k =b

(P5.) Dac ( An )n * , atunci lim An , dac exist. n acest caz

n

lim An = lim An = lim An .

n n n

1.6. Msur
Definiie. Fie un corp de pri ale lui . O aplicaie : + este
prin definiie o msur (pe ) dac:
1. este numerabil aditiv. Aceasta nseamn c pentru orice ir ( An )n * finit sau
infinit de elemente incompatibile dou cte dou din , avem

An = ( An )
nN * nN *
2. Exist cel puin un element A0 de msur finit.
Din aceast definiie rezult urmtoarele proprieti:
(1.) ( ) = 0 .
n adevr, avem pentru orice A ,
( A) = ( A ) = ( A) + ( ) .
innd seama c exist cel puin o mulime A de msur finit, deducem din
egalitatea precedent ( ) = 0 .
(2.) Msura este o funcie monoton de mulime: dac A, B cu A B , atunci
( A ) ( B ) .
Demonstraia acestei proprieti rezult imediat din
( B ) = ( A) + ( B A) ( A)
deoarece A i B A sunt incompatibile.
(3.) Dac A, B , A B , atunci (B A) = (B ) ( A) consecin a
proprietii anterioare.

15
 Propoziia 1. Msura este o funcie numerabil subaditiv de mulime, adic
pentru orice ir ( An )n * avem

An ( An ) (1.13.)
nN * nN *
Pentru demonstraie vezi [22.].

EXERCIII I PROBLEME PROPUSE

1.1. S se demonstreze egalitile:
n n
a. A Ai = ( A Ai )
i=1 i=1
n n
b. A Ai = ( A Ai )
i=1 i=1
1.2. Dac A B = , atunci A (C B ) = A C .
1.3. Dac A, B , avem
( A B ) ( A B C ) ( AC B ) ( AC BC ) = .
1.4. S se determine ( ) i (( )) dac
a. = {{0,1}, {2,3}, {4}, {5,6,7}, {8,9,10}},
b. = {2} .
1.5. Fie dou mulimi A i B . S se arate c A B dac i numai dac
( A) (B ) .
1.6. Fie mulimile A i B s se arate c:
a. ( A) (B ) ( A B ) .
b. ( A B ) = ( A) (B ) .
c. ( A B ) ( A) (B ) .
1.7. Fie m o msur pe algebra Boole , m este bivalent dac ia numai valorile 0 i
1 . S se arate c dac m este bivalent, atunci m( A B ) = m( A) m(B ) pentru
orice A, B .

16
 2. CMP DE EVENIMENTE. PROBABILITATE

2.1.Cmp de evenimente
Teoria probabilitilor studiaz legile dup care evolueaz fenomenele aleatoare.
Vom da cteva exemple de fenomene aleatoare.
1. Cel mai simplu exemplu este dat de experimentul care const n aruncarea cu zarul
(un cub cu ase fee numerotate de la 1 la 6), rezultatul experimentului fiind dat de
cifra artat de zar la oprire. Repetnd experimentul de un numr de ori, nu putem
prevedea care va fi cifra artat de zar n fiecare aruncare, deoarece aceasta depinde
de muli factori ntmpltori (impulsul iniial dat zarului, poziia lui n momentul
aruncrii, particularitile feei pe care cade etc.).
2. Un avion efectueaz un numr oarecare de zboruri regulate ntre dou orae. Timpul
de zbor nu este constant, ci prezint mici variaii de la un zbor la altul, tot datorit
unor factori ntmpltori (condiiile meteorologice etc.).
3. Nu se poate ti dinainte care va fi procentul de rebuturi la fabricarea unui anumit
produs.
n aceste experimente, condiiile eseniale ale experimentului rmn neschimbate.
Toate aceste variaii au loc datorit unor factori secundari, care influeneaz rezultatul
experimentului. Din multitudinea factorilor care intervin n fenomenele studiate i vom
seleciona pe cei decisivi i vom neglija influena factorilor secundari. Aceast metod e
uzual n studiul fenomenelor fizice, mecanice i n aplicaii tehnice, economice.
n studiul acestor fenomene, evident, exist o diferen de principiu ntre metodele
care permit s inem cont de factorii eseniali care determin caracterul principal al
fenomenului i metodele care in seama de factorii secundari a cror influen se
manifest prin erori sau perturbaii. ntmplarea, complexitatea, multitudinea cauzelor
care intervin conduc la metode speciale de studiere a fenomenelor aleatoare, metode
elaborate de teoria probabilitilor.
Aplicarea matematicii la studierea fenomenelor aleatoare se bazeaz pe faptul c
prin repetarea de mai multe ori a unui experiment, n condiii practic identice, frecvena
relativ a apariiei unui rezultat anumit (raportul dintre numrul experimentelor n care
apare rezultatul i numrul tuturor experimentelor efectuate) este aproximativ aceeai,
oscilnd n jurul unui numr constant. Dac acest lucru se ntmpl, unui eveniment dat i
putem asocia un numr, probabilitatea sa. Legtura aceasta dintre structur (structura
unui cmp de evenimente) i numr este o reflectare n matematic a problemei
transferului calitii n cantitate. Problema convertirii n numr a structurii unui cmp de
evenimente revine la a defini o funcie numeric pe aceast structur, care s fie o msur
a posibilitilor de realizare a evenimentelor. Realizarea unui eveniment fiind probabil,
aceast funcie poart denumirea de probabilitate. Teoria probabilitilor se poate aplica
numai acelor fenomene care prezint o anumit stabilitate a frecvenelor relative n jurul

17
probabilitii (fenomene omogene de mas). Aceasta este baza legturii teoriei
probabilitilor cu lumea real, cu practica de toate zilele.
Deci, definiia tiinific a probabilitii trebuie s reflecte, n primul rnd,
comportarea real a fenomenului. Noiunile i teoriile probabilistice nu sunt artificii de
calcul, ci modele ale unor stri i caracteristici obiectiv determinate ale existenei i
devenirii acesteia. Probabilitatea nu este expresia gradului subiectiv de ncredere a
omului n producerea evenimentului, ci caracterizarea legturii obiectiv existente ntre
condiii i eveniment, ntre cauz i efect.
Probabilitatea unui eveniment are sens atta timp ct ansamblul de condiii rmne
neschimbat, orice modificare a acestor condiii atrgnd dup sine modificarea
probabilitii i deci modificarea legii statistice a fenomenului. Descoperirea acestor legi
statistice este rezultatul unui proces ndelungat de abstractizare. Orice lege statistic este
caracterizat pe de o parte de inconstana relativ, variabilitatea din comportarea
diferitelor obiecte, datorit creia nu putem prevedea n mod univoc comportarea unui
obiect singular, iar pe de alt parte, faptul c ntr-o mulime mare de fenomene are loc o
constan stabil, care propriu-zis este exprimat de legea statistic.
Statistica practic se refer mai cu seam la cmpuri de evenimente finite, folosind
i cmpuri de evenimente infinite, pe cnd experienele din domeniul fizicii i al tehnicii
dau loc, n general, la cmpuri de evenimente infinite.
n teoria probabilitilor experimentele studiate sunt experimente aleatoare i
fiecare realizare a unui astfel de experiment se va numi prob. Rezultatul unei probe este
un eveniment.
Exemplu. n aruncarea cu zarul, mulimea realizrilor posibile va fi
= {1,2,3,4,5,6} . Cteva evenimente A = {1,3,5} - rezultat impar; B = {1,2,3,4} -
rezultat inferior lui 5; C = {2,4,6} - rezultat par. Dac la o aruncare apare faa cu
numrul 3 , sunt realizate evenimentele A i B .
Notnd prin mulimea tuturor rezultatelor posibile ale unui experiment
i prin ( ) mulimea tuturor prilor lui , evenimentele aleatoare sunt elemente
ale lui ( ) .
n mulimea a evenimentelor asociate unui experiment se pot introduce trei
operaii corespunztoare operaiilor logice sau, i, non. Fie A, B .
a) A sau B este evenimentul care se realizeaz dac i numai dac se realizeaz cel
puin unul dintre evenimentele A sau B . Acest eveniment se noteaz prin A B
i se va numi reuniunea evenimentelor A i B ;
b) A i B este evenimentul care se realizeaz dac i numai dac se
realizeaz ambele evenimente A i B , numit intersecia acestor evenimente i
notat prin A B ;
c) non A , este evenimentul care se realizeaz dac i numai dac nu se realizeaz
A . Acest eveniment l vom numi contrar lui A i se noteaz AC .
Dac fiecrui eveniment i atam mulimea de probe prin care se realizeaz, atunci
operaiile dintre evenimente revin la operaiile respective dintre mulimile de probe

18
corespunztoare, ceea ce justific notaiile a), b) i c). Rezultatele operaiilor cu
evenimente sunt tot evenimente ataate experimentului respectiv.
Dac A B = , deci A i B nu se pot realiza simultan, spunem c A i B
sunt evenimente incompatibile.
n mulimea a evenimentelor asociate unui anumit experiment, exist dou
evenimente cu o semnificaie deosebit i anume evenimentele = A AC i
= A AC . Primul const n producerea evenimentului A sau n producerea
evenimentului AC ceea ce are loc evident, ntotdeauna prin urmare, acest eveniment nu
depinde evenimentul A , n sensul c = A AC = B B C , B fiind eveniment din
mulimea . Este natural s numim evenimentul , evenimentul sigur. Evenimentul
const n producerea evenimentului A i n producerea evenimentului AC ceea ce
nu poate avea loc niciodat. Acest eveniment se va numi eveniment imposibil.
Fie evenimentele A, B . Spunem c evenimentul A implic evenimentul B
i scriem A B , dac atunci cnd se realizeaz A se realizeaz n mod necesar B .
Dac avem simultan A B i B A , atunci evenimentele A i B sunt
echivalente i notm A = B (aceasta revine la egalitatea mulimilor de probe care
corespund evenimentelor).
Implicaia dintre evenimente este o relaie de ordonare parial n mulimea
evenimentelor i corespunde relaiei de incluziune din algebrele Boole.
Definiie. Un eveniment A este compus dac exist dou evenimente
B, C , B A , C A astfel ca A = B C . n caz contrar evenimentul este
elementar.
Atomii algebrei Boole a evenimentelor se numesc evenimente elementare ale
cmpului (notate ), evenimentul sigur este iar evenimentul imposibil .
Dac mulimea conine un numr finit de evenimente elementare,
= {1 , 2 ,..., n }, atunci un eveniment este o parte a lui i deci va conine i el
un numr finit ( r < n ) de evenimente elementare. n acest caz mulimea evenimentelor
este chiar ( ) , n general ns avem () i se bucur de
proprieti analoage cu ale lui ( ) .
Analiza unui numr mare de experimente aleatoare a condus la concluzia
urmtoare:
Axiom. Mulimea evenimentelor asociate unui experiment constituie o algebr
Boole.
Definiie. Algebra Boole a evenimentelor asociate unui experiment se numete
cmpul de evenimente al experimentului respectiv.
Deci cmpul de evenimente va fi o mulime nzestrat cu un corp de
evenimente i se va nota prin {, } .
Definiie. Vom numi corp borelian de evenimente ( cmp) o mulime
nzestrat cu un cmp borelian ( cmp) de evenimente i se va nota, de asemenea,
prin {, } .
19
 Observaie. Un cmp este ceea ce n teoria msurii numim spaiu msurabil.
Exemple.
1. O urn conine 20 de bile numerotate de la 1 la 20 . Se extrage o bil i i reinem
numrul. Se cere:
a) S se scrie evenimentul sigur.
b) Fie evenimentele: A - rezultatul este par; B - rezultatul este multiplu de 5
i C - rezultatul este o putere a lui 2. S se scrie evenimentele A B ,
A B , AC . S se arate implicaiile dintre evenimente. Care evenimente sunt
incompatibile?
Rspuns.
a) = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20}.
b) A B - rezultatul este par sau multiplu de 5; A B - rezultatul este multiplu
de 10; AC - rezultatul este impar; C A i C B = .
2. n experiena aruncrii cu zarul s se scrie cmpul de evenimente ataat experienei i
s se calculeze numrul de evenimente din cmp.
Rspuns.
Avem
= {, {}
i , {i, j}, {i, j , k }, {i, j , k , l }, {i, j , k , l , m}, }
unde i, j , k , l , m iau valori independente de la 1 la 6 , iar n cadrul unei grupe toi
indicii sunt diferii. Dou grupe cu acelai numr de indici difer cel puin printr-un
indice. S-a notat prin {}
i - apariia feei cu numrul i , prin {i, j} - apariia feei cu
numrul i sau a feei cu numrul j , deci {i, j} = {}
i { j} etc.
Evenimentele {}
i sunt n numr de C61 , {i, j} n numr de C62 , {i, j , k } n numr
de C63 etc. deci n cmp avem 1 + C61 + C62 + C63 + C64 + C65 + 1 = 2 6 evenimente

3. O urn conine 4 bile albe a1 , a2 , a3 , a4 i 2 bile negre n1 , n2 . Se extrag simultan

dou bile. Se cere:
a. S se precizeze probele experienei
b. Se consider evenimentele: A1 obinerea a dou bile negre, A2 obinerea
a dou bile albe, A3 obinerea a cel puin a unei bile negre, A4 obinerea
unei singure bile albe, A5 obinerea unei singure bile negre, A6 obinerea
a dou bile verzi.
S se precizeze care dintre ele sunt aleatoare, elementare sau compuse;
perechi de evenimente compatibile i incompatibile; perechi de evenimente
egale; implicaiile dintre evenimente.

20
Rspuns.
a. Notnd simbolic prin (a1 , a2 ) extragerea bilelor a1 i a2 etc. probele experienei
sunt (a1 , a2 ) , (a1 , a3 ) , (a1 , a4 ) , (a2 , a3 ) , (a2 , a4 ) , (a3 , a4 ) , (a1 , n1 ) , (a1 , n2 ) ,
(a2 , n1 ) , (a2 , n2 ) , (a3 , n1 ) , (a3 , n2 ) , (a4 , n1 ) , (a4 , n2 ) , (n1 , n2 ) .
Numrul probelor este C62 = 15 .
b. Evenimentele A1 , A2 , A3 , A4 , A5 sunt aleatoare.
Evenimentul A6 este imposibil, el nu este nici elementar, nici compus.
Evenimentul A1 este elementar, el se realizeaz printr-o singur prob,
(n1 , n2 ) . Avem A1 = {(n1 , n2 )} .
Evenimentele A2 , A3 , A4 , A5 sunt evenimente compuse.
Avem A4 = A5 deoarece realizarea lui A4 atrage dup sine realizarea lui A5 i
reciproc. Se observ aceasta i din egalitatea mulimilor de probe
A4 = {(a1 , n1 ), (a1 , n2 ), (a2 , n1 ), (a2 , n2 ), (a3 , n1 ), (a3 , n2 ), (a4 , n1 ), (a4 , n2 )},
A5 = {(n1 , a1 ), (n1 , a2 ), (n1 , a3 ), (n1 , a4 ), (n2 , a1 ), (n2 , a2 ), (n2 , a3 ), (n2 , a4 )}.
De asemenea avem
A2 = {(a1 , a2 ), (a1 , a3 ), (a1 , a4 ), (a2 , a3 ), (a2 , a4 ), (a3 , a4 )}
A3 = {(a1 , n1 ), (a1 , n2 ), (a2 , n1 ), (a2 , n2 ), (a3 , n1 ), (a3 , n2 ), (a4 , n1 ), (a4 , n2 ), (n1 , n2 )} .
Sunt compatibile perechile ( A3 , A5 ) ; ( A1 , A3 ) .
Se pot realiza simultan ( A4 , A5 ) .
Sunt incompatibile perechile: ( A2 , A3 ) ; ( A1 , A2 ) ; ( A1 , A4 ) , ( A1 , A3 ) ,
( A2 , A4 ) , ( A2 , A5 ) .
Evenimentele A1 i A4 ; A1 i A5 ; A2 i A4 ; A2 i A3 ; A2 i A5 sunt
contrare.
Avem implicaiile: A4 A5 , A5 A4 ; A4 A3 ; A5 A3 .
Vom da cteva proprieti ale evenimentelor elementare:
(E1.) Fie A un eveniment elementar i B un eveniment oarecare. Dac
B A , atunci B = sau B = A .
Presupunnd B i B A rezult c evenimentul C = B A este diferit de
A i de , deci A = B C ceea ce este imposibil deoarece A este elementar.
(E2.) Condiia necesar i suficient ca un eveniment A , A s fie
elementar, este s nu existe un eveniment B , B cu B A .
Presupunnd c exist B cu B i B A rezult B A . Din
( ) ( )
A = A B B C = ( A B ) A B C , innd seama c B = A B , deoarece
B A , rezult: A = B A B ( C
).
21
 Notnd C = A B C , avem C A deoarece n caz contrar am avea
( ) (
B = A B = C B = A BC B = A BC B = A = . )
n relaia A = B C avem B A , C A , ceea ce este absurd, deoarece A
este un eveniment elementar.
n mod analog se demonstreaz:
(E3.) Condiia necesar i suficient ca un eveniment A s fie elementar este
ca pentru orice eveniment B s avem A B = sau A B = A .
(E4.) Dou evenimente elementare distincte sunt incompatibile.
Fie evenimentele elementare A1 i A2 cu A1 A2 Presupunem A1 A2 .
Evenimentul A2 este elementar, deci conform cu (E 3) A1 = A1 A2 . Analog, A2
fiind elementar avem A2 = A1 A2 . Din aceste relaii rezult A1 = A2 , ceea ce nu se
poate, deci A1 A2 = .
(E5.) ntr-o algebr finit de evenimente pentru orice eveniment compus B ,
exist un eveniment elementar A , A B .
Demonstraia este imediat innd seama de (E 2 ) .
(E6.) Orice eveniment dintr-o algebr finit de evenimente se poate scrie sub form
unic, ca o reuniune de evenimente elementare.
Fie B un eveniment compus. innd seama de (E 5) exist un eveniment
elementar A1 cu A1 B . Notm B1 = B A1 , deci B = A1 B1 .
Dac B1 este eveniment elementar, prima parte a propoziiei este demonstrat.
Dac B1 este eveniment compus, exist un eveniment elementar A2 B1 . Notm
B2 = B1 A2 , deci B1 = A2 B2 i deci B = A1 A2 B2 .
Dac B2 este eveniment elementar, ne oprim aici cu descompunerea. Dac B2
este eveniment compus continum procedeul. Algebra fiind finit, dup un numr finit de
pai obinem
B = A1 A2 ... Ak (2.1.)
unde Ai ( i = 1,2,..., k ) sunt evenimente elementare.
S presupunem c descompunerea (2.1) nu este unic deci c
B = A1 A2 ... Ak = A1 A2 ... Ar (2.2.)
unde, spre exemplu:
A1 As ( s = 1,2,..., r ) (2.3.)
Avem:
A1 ( A1 A2 ... Ak ) = A1 ( A1 A2 ... A) ,
de unde innd seama de (E 4 ) i de relaia (2.3) rezult A1 = , ceea ce este absurd.
De aici rezult:
(E7.) ntr-o algebr finit de evenimente, evenimentul sigur este reuniunea tuturor
evenimentelor elementare.
22
 2.2. Probabilitate pe un cmp finit de evenimente
S considerm o urn U care conine n bile, dintre care m albe i n m negre
(bile difer numai prin culoare). Se extrage la ntmplare o bil. Avem n evenimente
elementare. Fie A evenimentul bila extras s fie alb. Acest eveniment se poate
realiza prin m probe, m n .
Definiie. Se numete probabilitatea evenimentului A raportul dintre numrul
cazurilor favorabile realizrii lui A i numrul cazurilor egal posibile. Deci
m
P ( A) = . (2.4.)
n
Aceasta este definiia clasic a probabilitii. Ea se poate folosi numai n
experimente cu evenimente elementare egal posibile.
S considerm acum o urn care conine n bile dintre care a1 bile de culoarea c1 ; a2
bile de culoarea c2 ; ...; a s bile, de culoarea cs . Astfel n = a1 + a2 + ... + as . Bilele difer
ntre ele numai prin culoare. Se extrage o bil din urn. n acest caz extracia unei bile este
eveniment elementar. Probabilitatea extragerii unei bile de culoare cl va fi dat de definiia
al
clasic a probabilitii, P = , deci eveniment favorabil este extracia unei bile de
n
culoare cl .
Un eveniment oarecare al cmpului este apariia uneia din bile avnd culoarea
cl , cl ,..., cls , notat A , pentru care
1 2

al1 + al2 + ... + als

P ( A) = .
n
De aici rezult c:
1. probabilitatea fiecrui eveniment este o funcie de acest eveniment, avnd valori
pozitive;
a1 + a2 + ... + an
2. probabilitatea evenimentului sigur este 1 ; P ( ) = =1;
n
3. dac A = A1 A2 cu A1 A2 = , atunci P ( A) = P ( A1 ) + P ( A2 ) ;
1
4. evenimentele elementare sunt egal probabile (au probabiltatea ).
n
Se observ c experimentul extraciei dintr-o urn poate fi interpretat cu ajutorul a
dou cmpuri de evenimente; cmpul considerat mai sus pentru care eveniment
elementar este extracia unei bile i un alt cmp, (,( )) pentru care eveniment
elementar este extracia unei bile de culoare cl ( l = 1,2,..., s ). Funcia P ( A) care
reprezint probabilitatea unui eveniment oarecare din are proprietile 1, 2 i 3 dar nu
verific, n general, proprietatea 4 deoarece evenimentele elementare din nu au

23
probabiliti egale, dect pentru n1 = n2 = ... = ns . n acest caz nu se mai aplic
definiia clasic a probabilitii.
S considerm o urn cu 7 bile numerotate de la 1 la 7 . Se extrage la ntmplare
o bil.
Notnd cu Ai , i = 1,...,7 , evenimentul care const n extragerea bilei cu numrul
i , avnd n vedere c bilele difer ntre ele numai prin numrul nscris, rezult c
evenimentele Ai sunt egal posibile, deci, n mod firesc o funcie de probabilitate definit
1
pe mulimea ( Ai )1i 7 satisface condiia P ( Ai ) = p , unde p = .
7
Evenimentul Ai A j , ( i j ) este un eveniment de dou ori mai probabil
dect fiecare din evenimentele Ai , deci prelungirea funciei P la evenimentele

P (Ai Pj ) =
2
Ai A j trebuie definit ca , ( i j ), deoarece
7
P (Ai A j ) = P ( Ai ) + P (A j ) .
n general,
( )
P Ai1 ... Aik =
k
7
, (1 i1 ... ik 7 )

i P ( ) = 1 , unde este evenimentul sigur.

Deci, n cazul unui cmp finit de evenimente {, } , o probabilitate pe acest cmp
o vom defini astfel:
Definiie. Se numete probabilitate pe , o aplicaie P : care satisface
urmtoarele axiome:
(1) P ( A) 0 pentru orice A ;
(2) P ( ) = 1 ;
(3) P ( A1 A2 ) = P ( A1 ) + P ( A2 ) pentru orice A1 , A2 cu A1 A2 = .
Proprietatea (3) se extinde prin recuren la orice numr finit de evenimente
incompatibile dou cte dou. Deci, dac Ai A j = , i j , i, j = 1,..., n , atunci
n n
P Ai = P ( Ai ) .
i=1 i =1
Exemplu. ntr-o pung se gsesc 200 bilete de loto dintre care un bilet ctigtor a
500.000 lei, 5 bilete ctigtoare a 100.000 lei fiecare, 10 bilete ctigtoare a 50.000
lei fiecare i 20 bilete ctigtoare a 5.000 lei fiecare. Cineva cumpr un bilet. Care este
probabilitatea ca cumprtorul s ctige cel puin 50.000 lei ?
Vom considera urmtoarele evenimente: A - cumprtorul ctig cel puin
50.000 lei; A1 cumprtorul ctig 50.000 lei; A2 cumprtorul ctig
100.000 lei; A3 cumprtorul ctig 500.000 lei.
24
 Avem evident A = A1 A2 A3 cu Ai A j = , ( i j , i, j = 1,2,3 ). Deci
10 5 1
P( A) = P( A1 ) + P( A2 ) + P( A3 ) = + + = 0,08 .
200 200 200
Definiie. Numim cmp de probabilitate finit, un cmp finit de evenimente {, }
nzestrat cu o probabilitate P , notat {, , P}.
Din regula de adunare a probabilitilor deducem c pentru a cunoate
probabilitile tuturor evenimentelor A este suficient s cunoatem probabilitile
evenimentelor elementare i ; 1 i r , care alctuiesc mulimea finit
= {1 ,..., r } , deoarece dac notm P ({i }) = pi ; 1 i r , i dac
{ } { }
A = i1 ... ik , atunci

P ( A ) = P ({ } ... { } ) = P ({ }) + ... + P ({ } ) = p
i1 ik i1 ik i1 + ... + pi
k

Deci, un cmp finit de probabilitate este complet caracterizat de numerele

r
nenegative p1 , p2 ,..., pr cu p
i =1
i = 1.

k
Dac p1 = ... = pr , atunci P ( A) = unde k reprezint numrul de evenimente
r
elementare care intr n compunerea evenimentului A (evenimente elementare
favorabile evenimentului A ). Se ajunge astfel la definiia clasic a probabilitii.
Din definiia probabilitii rezult urmtoarele proprieti:
( )
(P1.) Pentru orice A , P AC = 1 P ( A) .
Din A A = , A AC = i din axiomele (2) i (3) rezult imediat aceast
C

proprietate.
Exemplu. Un aparat achiziionat de o uzin trebuie pus n funciune. Se pot ivi
urmtoarele situaii:
a) o bun stare de funcionare;
b) un uor dereglaj;
c) trebuie nlocuite cteva piese;
d) se impune o revizie general.
n primul caz aparatul continu s funcioneze. n cazul (b) reglajul dureaz 10
minute, n cazul (c) piesele se nlocuiesc ntr-o or, iar revizia general se face n 10 ore.
Probabilitile celor patru etape sunt 0,5 ; 0,1 ; 0,15 ; 0,25 .
S se determine probabilitatea ca aparatul s fie n msur s funcioneze dup cel
puin dou ore de la instalare.
Rspuns. Considerm urmtoarele evenimente: A - aparatul este gata de funcionare
dup 2 ore; A1 - aparatul poate funciona imediat; A2 - aparatul necesit un reglaj; A3
- este necesar s nlocuim cteva piese.

25
 Avem evident A = A1 A2 A3 . Deci
P ( A) = P ( A1 ) + P ( A2 ) + P ( A3 ) = 0,5 + 0,1 + 0,15 = 0,75
sau
( )
P ( A) = 1 P AC = 1 0,25 = 0,75 '
(P2.) Avem P ( ) = 0 .
Aceasta rezult imediat din (P1) , din observaia C = i axioma (2).
(P3.) Pentru orice A avem 0 P ( A) 1 .
Axioma (1) ne spune c P ( A) 0 . Din (1) i proprietatea (P1) rezult
P ( A) 1 .
(P4.) Pentru orice A1 , A2 cu A1 A2 avem P ( A1 ) P ( A2 ) .
(
Avem A2 = A1 A2 A1C ) ( )
unde A1 A2 A1C = , deci din (3) rezult
(
P ( A2 ) = P( A1 ) + P A2 A C
1 ). Dar P(A A ) 0 de unde P( A ) P( A ) .
2
C
1 2 1

(P5.) Pentru orice A1 , A2 avem P ( A2 A1 ) = P ( A2 ) P ( A1 A2 ) .

Din A2 = ( A2 A1 ) ( A2 A1 ) , ( A2 A1 ) ( A2 A1 ) = i axioma (3)
rezult proprietatea enunat.
(P6.) Dac A1 A2 , A1 , A2 , atunci P ( A2 A1 ) = P ( A2 ) P ( A1 ) .
Aceast proprietate rezult din proprietatea (P5) (P5) deoarece n acest caz
A2 A1 = A1 .
(P7.) P( A1 A2 ) = P( A1 ) + P( A2 ) P( A1 A2 ) , oricare ar fi A1 , A2 .
Din relaiile A1 A2 = A1 ( A2 ( A1 A2 )) , A1 ( A2 ( A1 A2 )) = , din
axioma (3) i proprietatea (P 6 ) aplicat pentru A2 ( A1 A2 ) rezult proprietatea
enunat.
De aici rezult imediat:
(P8.) P( A1 A2 ) P( A1 ) + P( A2 ) , oricare ar fi A1 , A2 .
(P9.) Dac ( ( Ai )1i n , atunci
n n
P Ai = P ( Ai ) P ( Ai Aj ) +
i =1 i =1 1 i < j n

n
P ( Ai Aj Ak ) + ... + ( 1)
n 1
+ P Ai
1 i < j < k n i =1
Aceast relaie se demonstreaz prin inducie i innd seama de proprietatea
(P7 ) .
(P10.) Fie evenimentele ( Ai )1i n cu P ( A1 ... An 1 ) 0 , atunci:
n
P Ak = P ( A1 ) P ( A2 A1 ) P ( A3 A1 A2 ) ... P ( An A1 ... An 1 )
k =1
26
 Formula se demonstreaz prin inducie. Probabilitile din membrul doi exist
deoarece din
A1 ... An1 A1 ... An2 ... A1 A2 A1
rezult
0 < P ( A1 ... An1 ) P( A1 ... An2 ) ... P( A1 A2 ) P ( A1 )
Ca ilustrare a proprietilor (P9 ) i (P10 ) s considerm urmtoarele probleme:
Exemplu - Problema concordanelor [23]. ntr-o urn sunt n bile numerotate de
la 1 la n . Extragem pe rnd cte o bil fr a o repune n urn. Este posibil ca n
extracia de rang i s extragem bila numerotat cu i ?. Spunem n acest caz c avem o
concordan.
Rspuns.
Fie p probabilitatea, ca fcnd n extracii s apar cel puin o concordan.
Dac notm prin Ai evenimentul ca n experimentul de rang i , 1 i n s apar o

concordan, avem p = P ( A1 ... An ) ; unde P ( Ai ) =

(n 1)! = 1 , deoarece sunt
n! n
posibile n! cazuri (cele n bile se pot extrage n n moduri diferite) i (n 1)! cazuri
favorabile, deoarece bila numerotat cu numrul i trebuie extras exact n extracia de
rang i , deci numai cele n 1 bile rmase se pot permuta oricum ntre ele.
Analog
P (Ai A j ) =
(n 2 )! =
1
, 1 i < j n ,
n! n(n 1)
P (Ai A j Ak ) =
(n 3)! = 1
, 1 i < j < k n etc.
n! n(n 1)(n 2 )
n relaia din (P9 ) fiecare termen este, la rndul su, o sum de termeni egali i
anume Cnk termeni, unde k este numrul indicilor dup care se sumeaz. Avem deci
1 1 1 1
+ ... + ( 1) C nn
n 1
p = n Cn2 + Cn3
n n(n 1) n(n 1)(n 2 ) n!
sau
1 1 n 1 1
p =1 + + ... + ( 1) .
2! 3! n!
Observm c notnd prin q probabilitatea evenimentului contrar, atunci
1 1 n 1 1
q =1 p = + ... + ( 1) ,
2! 3! n!
1
iar pentru n obinem q .
e

27
 Exemplu. Un lot de 100 produse este supus unui control de calitate. Lotul este
respins dac se gsete cel puin un rebut la 5 piese controlate la ntmplare. tiind c
lotul conine 4% piese defecte, s se determine probabilitatea ca lotul s fie respins.
Rspuns.
( )
Notnd cu A evenimentul lotul trebuie respins vom calcula P AC . Notnd
cu Ak evenimentul piesa k controlat este bun 1 k 5 , i innd seama de faptul
c evenimentele Ak nu sunt independente, avem
( )
P AC = P( A1 ... A5 ) =
= P( A1 )P( A2 A1 )P( A3 A1 A2 )...P( A5 A1 A2 A3 A4 ) = ,
96 95 94 93 92
=
100 99 98 97 96
iar P ( A) = 1 P AC .( )
2.3. cmp de probabilitate
Calea pe care o urmrim n definirea cmpului de probabilitate corespunde
axiomaticii teoriei probabilitilor dat de A.N. Kolmogorov [11] n 1933.
Definiie. Fie {, } un cmp de evenimente. Numim probabilitate pe
cmpul {, } , o funcie numeric pozitiv P , definit pe dac:
1. P( ) = 1 ,

2. P Ai = P( Ai ) , pentru orice familie numrabil de evenimente
iI iI
( Ai )iI , incompatibile dou cte dou.
Observm c probabilitatea este o msur pentru care ( ) = 1 .
Deci un cmp de probabilitate, va fi un cmp de evenimente {, } ,
nzestrat cu o probabilitate; el se va nota cu {, , P}.
Proprietile probabilitii amintite pentru un cmp finit de probabilitate se extind i
la cmpurile de probabilitate. n plus, dac {, , P} este un cmp de
probabilitate avem urmtoarele proprieti:
(P11.) Pentru orice ir de evenimente ( An )n * pentru care An+1 An
(descendent), avem

lim P ( An ) = P An
n *
n

28
 i pentru orice ir de evenimente ( An )n * pentru care An +1 An
(ascendent), avem

lim P ( An ) = P A n .
n *
n
Pentru demonstraia primei relaii vom arta c dac A n = , atunci
n *

lim P ( An ) = 0 .
n

n adevr, din An = ( Am Am+1 )
m=n
avem P ( An ) = P( A
m=n
m Am+1 ) .

Pentru n = 0 , seria este convergent, restul seriei fiind convergent ctre zero.
Putem scrie

lim P ( Am Am+1 ) = 0
n
m=n
deci
lim P ( An ) = 0 .
n

Notm B = A n , Bn = An B . irul ( Bn )n * este descendent i

n *

B n = , deci lim P (Bn ) = 0 .

n
n *
Dar

P ( Bn ) = P ( An ) P ( B ) = P ( An ) P An ,
*
n
deci

lim P ( An ) = P An .
n
nN *
Pentru demonstraia celeilalte relaii se arat c aceasta este echivalent cu prima,
demonstraie pe care o lsm pe seama cititorilor.
(P12.) P lim An lim P ( An ) lim P ( An ) P lim An
n n n n
( ) pentru orice ir

( An )n *

Cu notaia Bn = A n+ p , ( Bn )n * este ascendent i
p =0

n n
(
n
)
P lim An = P lim Bn = lim P (Bn ) lim P ( An ) ,
n

29
 ( )
deoarece P (Bn ) P An+ p pentru orice p .
(
n
)
Analog P lim An lim P ( An ) . Dar lim P ( An ) lim P ( An ) .
n n n

De aici rezult ca o consecin imediat:

(P13.) (proprietatea de continuitate secvenial a probabilitii). Dac irul
lim A = lim A ,
( An )n * este 0 convergent n n n atunci

( )
n

P lim An = lim P ( An ) .
n n

(P14.) P An P ( An ) .
*
n n *
Avem
n n
P An = lim P Ai lim P ( Ai ) = P( An ) .
nN *
n
i =1 n i =1 nN *
Avem egalitate numai dac evenimentele sunt mutual disjuncte.

2.4. Evenimente independente. Probabilitate condiionat

S considerm experimentul care const n aruncarea a dou monezi, i fie
evenimentele: A - s obinem stema pe prima moned i B - s apar stema pe moneda
a doua.
n acest caz probabilitatea evenimentului A nu depinde de realizarea
evenimentului B , deci evenimentul A este independent de evenimentul B .
S considerm o urn care conine 4 bile albe i 3 bile negre. Dou persoane
extrag fiecare cte o bil din urn. Fie evenimentele: A1 - prima persoan a extras o bil
alb i A2 - a doua persoan a extras o bil alb. Probabilitatea evenimentului A1 n
4
absena informaiilor asupra lui A2 este . Dac evenimentul A1 s-a realizat,
7
1
probabilitatea evenimentului A2 este de de unde concluzia c evenimentul A2
2
depinde de evenimentul A1 .
Definiie. Evenimentele A , B ale cmpului de probabilitate {, , P} sunt
P independente dac
P ( A B ) = P ( A) P ( B ) . (2.5.)
Se poate arta cu uurin c dac evenimentele A, B sunt
P independente, atunci perechile de evenimente A , B C ; B , AC ; AC , B C sunt
P independente.

30
 Aplicaie. Doi trgtori trag simultan asupra unei ine cte un foc fiecare.
Probabilitile de nimerire a intei sunt 0,8 pentru primul trgtor i 0,6 pentru al doilea
trgtor. S se determine probabilitatea ca inta s fie atins de cel puin un trgtor.
Rspuns.
Fie evenimentele Ai - trgtorul cu numrul i ( i = 1,2 ) nimerete inta. Avem
P( A1 A2 ) = P( A1 ) + P( A2 ) P( A1 A2 ) = 0,8 + 0,6 0,8 0,6 = 0,92 .
Definiie. Evenimentele ( Ai )1i n sunt P independente m cte m dac
pentru h m i 1 i1 < i2 < ... < ih n avem
( ) ( )( ) ( )
P Ai1 ... Aih = P Ai1 P Ai2 ...P Aih . (2.6.)
Dac m = n evenimentele sunt P independente n totalitatea lor.
Observaie. Dac n evenimente sunt independente dou cte dou, nu sunt neaprat
independente n totalitatea lor. Acest lucru se vede din exemplul urmtor datorat lui S.N.
Berntein.
Se consider un tetraedru omogen cu feele colorate n alb, negru, rou i a patra
n cele trei culori. Efectum experimentul aruncrii acestui corp o singur dat. S
notm cu Ai evenimentul ca tetraedrul s se aeze pe faa cu numrul i , i = 1,2,3,4 .
Evenimentele Ai sunt evenimente elementare ale cmpului asociat experimentului
descris.
1
Avem P ( Ai ) = ( i = 1,2,3,4 ). Dac notm A = A1 A2 , B = A1 A3 ,
4
1
C = A1 A4 avem P ( A) = P (B ) = P (C ) = , deoarece pentru fiecare culoare
2
sunt patru cazuri posibile i dou cazuri favorabile faa cu culoarea respectiv i
faa cu toate culorile.
1
De asemenea, P ( A B ) = P(B C ) = P (C A) = , deci
4
evenimentele A , B , C sunt P independente dou cte dou. Avem ns
1 1
P ( A B C ) = P ( A1 ) =, P ( A) P ( B ) P ( C ) = de unde, rezult c
4 8
evenimentele A, B, C nu sunt P independente n totalitatea lor.
Definiie. Spunem c evenimentele ( An )n sunt P independente dac
*

orice numr finit de evenimente din acest ir sunt P independente.

Aplicaie. Un aparat se compune din trei elemente a cror fiabilitate (durata de
funcionare fr defeciune tot timpul ntr-un interval de timp dat) este egal cu 0,9 ;
0,85 i 0,75 .

31
 Primul element este indispensabil pentru funcionarea aparatului, defectarea unuia din
celelalte dou elemente face ca aparatul s funcioneze cu un randament inferior, iar
defectarea simultan a elementelor doi i trei face imposibil funcionarea aparatului.
Elementele se defecteaz independent unul de altul. Se cere probabilitatea ca aparatul s
funcioneze tot timpul ntr-un interval de timp dat.
Rspuns.
Fie evenimentele Ai - elementul i ( i = 1,2,3 ) funcioneaz fr defeciune i A -
aparatul funcioneaz chiar cu un randament inferior. Avem
( ) (
A = ( A1 A2 A3 ) A1 A2C A3 A1 A2 A3C )
Astfel
( ) (
P ( A) = P ( A1 A2 A3 ) + P A1 A2 A3 + P A1 A2 A3 =
C C
)
( ) ( )
= P ( A1 )P ( A2 )P ( A3 ) + P ( A1 )P A2C P ( A3 ) + P( A1 )P ( A2 )P A3C = .
= 0,9 0,85 0,75 + 0,9 0,15 0,75 + 0,9 0,85 0,25 = 0,866
n exemplul cu urna am vzut c rezultatul experimentului de care este legat A1
influeneaz condiiile experimentului de care este legat A2 (extrgnd din urn o bil
alb prima persoan, vor rmne n urn pentru extracia ce va fi efectuat de persoana a
doua numai 3 bile albe i 3 negre).
Deci probabilitatea evenimentului A2 variaz n funcie de realizarea lui A1 n
1 2
dac s-a realizat A1 sau
sensul c aceast probabilitate este dac nu s-a realizat
2 3
A1 . Este deci natural s numim probabilitatea evenimentului A2 condiionat de
( )
evenimentul A1 i s o notm prin P A2 A1 sau PA ( A2 ) .
1

Definiie. Fie {, , P} un cmp de probabilitate i A, B cu

P(B ) 0 . Numim probabilitate a evenimentului A condiionat de evenimentul B ,
raportul
P ( A B)
= P ( A B) (2.7.)
P (B)
( )
Notm i P A B = PB ( A) .
Tripletul {, , PB } este un cmp de probabilitate dac {, , P}
este un cmp de probabilitate. (Se verific cu uurin axiomele din definiia
probabilitii).
Analog putem defini probabilitatea evenimentului B condiionat de
P( A B )
evenimentul A , P(B A) = , unde P( A) 0 .
P ( A)

32
 Din cele dou relaii innd seama de proprietatea de comutativitate a interseciei
rezult
( )
P( A)P B A = P(B )P A B . ( ) (2.8.)
( )
Din (2.7) rezult c, n cazul a dou evenimente independente P A B = P ( A) .
Definiie. Numim sistem complet de evenimente o familie cel mult numrabil de
evenimente ( Ai )iI cu Ai A j = pentru orice i j , i, j I i
Ai = .
iI

Formula probabilitii totale. Fie ( Ai )iI un sistem complet de evenimente

cu P ( Ai ) 0 , i I . Pentru A , avem
P ( A) = P( Ai )P ( A Ai ) . (2.9.)
iI
Pentru demonstraie s observm c pentru fiecare iI avem
( )
P( A Ai ) = P( Ai )P A Ai , de unde nsumnd dup i obinem
P( A )P(A A ) = P( A A )
iI
i i
iI
i

dar

P( A A ) = P A A = P( A ) = P( A) .
i i
iI iI
Exemplu. Zece aparate de acelai tip sunt date n exploatare: trei provin de la uzina
U1 , cinci provin de la uzina U 2 , iar dou de la uzina U 3 . Aparatele sunt supuse unei
probe de verificare. Cele care provin de la prima uzin trec proba de verificare cu
probabilitatea 0,9 , cele care provin de la uzina U 2 cu probabilitatea 0,75 , iar cele care
provin de la uzina U 3 cu probabilitatea 0,85 . Se alege la ntmplare un aparat. Care este
probabilitatea ca aparatul s treac proba de verificare?
Rspuns.
Facem urmtoarele ipoteze: Ai - aparatul ales provine de la uzina U i ,
3 1 1
i = 1,2,3 . Avem P( A1 ) = , P ( A2 ) = , P ( A3 ) = . Dac notm prin A
10 2 5
evenimentul aparatul ales trece proba de verificare, avem P ( A A1 ) = 0,9 ,
P( A A2 ) = 0,75 , P( A A3 ) = 0,85 i
3
P ( A) = P( Ai )P ( A Ai ) =
163
.
i =1 200

33
 Formula lui Bayes (sau teorema ipotezelor). Fie un sistem complet de
evenimente ( Ai )iI . Probabilitile acestor evenimente (ipoteze) sunt date nainte
de efectuarea unui experiment. Experimentul efectuat realizeaz un alt eveniment A . S
artm cum realizarea evenimentului A schimb probabilitile ipotezelor. Trebuie s
( )
determinm deci probabilitile P Ai A pentru fiecare ipotez Ai , i I . Avem
P( Ai A)
P ( Ai A) = , dar P ( Ai A) = P( Ai )P (A Ai ) i innd seama de (2.9)
P ( A)
rezult
P( Ai )P( A Ai )
P( Ai A) =
P(A )P(A A )
.
(2.10.)
j j
jI
Exemple.
1. n condiiile exemplului anterior se alege la ntmplare un aparat i se constat c el
trece proba de verificare. Care este probabilitatea ca el s provin de la prima uzin?
Rspuns.
Avem
P( A1 )P( A A1 )
P( A1 A) =
P(A )P(A A )
3

j j
j =1

unde evenimentele A i A j , j = 1, 2, 3 sunt notate ca la exemplul anterior. Astfel

P( A A1 ) =
54
.
163
2. [42] Se consider dou loturi de produse dintre care un lot are toate piesele
1
corespunztoare, iar al doilea lot are din piese rebuturi. Se alege la ntmplare un
4
lot i se extrage din el o pies constantndu-se c este bun. Se reintroduce piesa n
lot i se extrage din acelai lot o pies. Care este probabilitatea ca piesa extras s fie
un rebut?
Rspuns.
Fie A evenimentul a doua pies extras este rebut, iar A1 , A2 evenimentele
de a extrage aceast pies din primul respectiv al doilea lot. Formula probabilitii totale
ne d
P( A) = P( A1 )P( A A1 ) + P( A2 )P (A A2 )

( )
Avem P A A2 = 0 , P A A1 = ( ) 1
.
4
Din formula lui Bayes vom calcula P ( A1 ) . Notm cu B1 , B2 evenimentele ca
prima extracie s se fac din primul, respectiv al doilea lot, iar B evenimentul piesa

34
 , P (B B1 ) = , P (B B2 ) = 1 i
1 3
extras este bun. Atunci P (B1 ) = P (B2 ) =
2 4
P( A1 ) = P(B1 B ) =
3 3 1 3
, deci P ( A) = = .
7 7 4 28
Inegalitatea lui Boole. Fie {, , P} un cmp de probabilitate i ( Ai )iI o
mulime cel mult numrabil de evenimente. Dac A , atunci:
iI
i

( )
P Ai 1 P AiC . (2.11.)
iI iI
n particular
n n
P Ai P( Ai ) (n 1) . (2.11'.)
i=1 i =1
Demonstraia este imediat dac scriem

C

P Ai = 1 P Ai = 1 P AiC
iI
iI iI
i aplicm proprietatea (P14 ) . n particular
n
( )
n n n
P Ai 1 P AiC = 1 (1 P( Ai )) = P( Ai ) (n 1) .
i=1 i =1 i =1 i =1

EXERCIII I PROBLEME PROPUSE

2.1. O urn conine 20 de bile numerotate de la 1 la 20 . Se extrage o bil. Se cere:
a. S se scrie cmpul de evenimente ataat experimentului respectiv.
b. Ce putei afirma despre urmtoarele evenimente: A - numrul de pe bil este
par; B - numrul de pe bil este multiplu de 5 ; C - numrul de pe bil este o
putere a lui 2 .
2.2. Se arunc trei zaruri. S se calculeze probabilitatea ca suma punctelor obinute s fie:
a. egal cu 16 ;
b. mai mare dect 16 ;
c. mai mic dect 20 .
2.3. Un elev A1 primete o informaie pe care o transmite sub form de semnal da sau
nu unui elev A2 . Acesta o transmite lui A3 i A3 lui A4 . Ultimul elev anun
rezultatul primit. tiind c fiecare din ei spune adevrul ntr-un singur caz din trei, s
se determine probabilitatea ca primul elev s fi spus adevrul dac ultimul a spus
adevrul.
13
Rspuns. P = .
41
35
2.4. persoan scrie n scrisori la n persoane. Pune fiecare scrisoare n plic, nchide
plicurile i apoi scrie la ntmplare adresele pe plicuri. Care este probabilitatea ca cel
puin o scrisoare s ajung la destinatarul su?
1 1 1 n+1 1
Rspuns. P = 1 + + ... + ( 1) .
2! 3! 4! n!
2.5. Trei discuri A, B, C sunt vopsite pe ambele fee astfel: A - are dou fee albe; B -
are o fa alb i una neagr; C - are dou fee negre. Se alege la ntmplare un disc
i se observ c are o fa alb. Care este probabilitatea ca i cealalt fa s fie alb?
2
Rspuns. P = .
3
2.6. Se dau ase urne cu urmtoarele structuri: (U 1 ) - dou urne conin cte 4 bile albe
i 2 negre; (U 2 ) - trei urne conin cte 3 bile albe i 5 negre; (U 3 ) - o urn
coninnd 6 bile albe i 4 negre. Se extrage la ntmplare o bil dintr-o urn. Se
cere:
a. Probabilitatea ca bila extras s fie neagr.
b. Dac s-a extras o bil alb, care este probabilitatea ca bila extras s fie dintr-o
urn cu structura (U 2 ) .
Rspuns.
367
a. P= ;
720
135
b. Se aplic formula lui Bayes i se obine P = .
367
2.7. La un liceu de specialitate n cei trei ani sunt n elevi, din care nk , ( k = 1,2,3 ) n
anul k . Se iau la ntmplare doi elevi i se constat c unul este mai bine pregtit la
nvtur dect cel de al doilea elev. Care este probabilitatea ca elevul mai bun s fie
n ultimul an?
1 1
+
n1 n2
Rspuns. P = .
1 1 1
+ +
n1 n2 n3
2.8. Avem piesele lucrate de acelai atelier n dou zile puse separat. Piesele lucrate n
1
prima zi corespund condiiilor tehnice de calitate, iar dintre cele lucrate a doua zi,
4
sunt de calitate necorespunztoare. Se ia o pies la ntmplare i se constat c este de
calitate. S se determine probabilitatea ca o alt pies luat la ntmplare din aceeai
grmad s fie necorespunztoare dac prima pies, dup verificare, este repus la
loc.
3
Rspuns. P = .
28
36
2.9. ntr-o urn sunt zece bile dintre care x de culoare alb i y de culoare roie cu
2 x 8 . Se cere:
a. S se calculeze n funcie de x probabilitatea ca trgnd simultan dou bile din
urn s fie ambele de aceeai culoare. Aplicaie numeric x = 4 .
b. Care trebuie s fie numrul x al bilelor albe pentru ca aceast probabilitate s fie
minim i care este acest minim?
c. S se verifice c formula care d pe P n funcie de x este valabil i pentru
x = 0 i pentru x = 1 . S se spun, fr calcul, de ce ea rmne valabil i
pentru x = 9 i pentru x = 10 .
(Bacalaureat, Nice, 1967)
4
Rspuns. P = x 2 10 x + 45 ; xmin = 5 ; Pmin = .
9

37
 3. VARIABILE ALEATOARE. CARACTERISTICI NUMERICE.
FUNCIE DE REPARTIIE

Una din noiunile fundamentale ale teoriei probabilitilor este aceea de variabil
aleatoare.
Evenimentele unui cmp de probabilitate nu sunt, principial, mrimi n nelesul atribuit
acestora n tiinele naturale sau tehnic; ele se descriu ns cu ajutorul unor mrimi avnd
valori reale i care, n general, sunt rezultatul unor msurtori. Principalul merit al actualei
sistematizri a calcului probabilitilor const n definirea variabilelor aleatoare, deci a
mrimilor pe care ni le prezint experimentul direct, sau teoriile destinate s-l interpreteze.
Dac nelegem prin variabil aleatoare o funcie real definit pe mulimea
evenimentelor elementare asociate experimentului considerat vom putea ilustra prin
exemple tipice pentru teoria probabilitilor cum se trece de la un eveniment la o variabil
aleatoare i anume:
Exemplu. S considerm un experiment care are ca rezultat evenimentul A . n
locul evenimentul A putem considera variabila aleatoare care ia valoarea 1 dac s-a
realizat A i 0 dac s-a realizat AC . Am definit o variabil aleatoare bernuollian cu
dou valori (variabil indicatoare a evenimentului A ) prin relaia
1 pentru A
() = .
0 pentru A
C

n practic este de multe ori mai comod ca n locul evenimentelor s utilizm

variabilele aleatoare indicatoare care le sunt asociate.
Aceast schem poate fi extins n sensul c putem considera un experiment care
are ca rezultat un sistem complet de evenimente ( Ai )1i n . Dac convenim s atribuim
valoarea n j n cazul n care s-a realizat evenimentul A j , 1 j n , am definit o
variabil aleatoare bernoullian cu n valori, , prin relaia () = n j dac A j ,
1 j n.

3.1. Variabile aleatoare discrete

Fie {, , P} un cmp de probabilitate i ( Ai )iI un sistem complet
(finit sau numrabil) de evenimente. Sistemul numeric pi = P ( Ai ) , i I ,
se numete distribuia cmpului de probabilitate.
Definiie. Numim variabil aleatoare discret o funcie definit pe mulimea
evenimentelor elementare cu valori reale dac
1. ia valorile xi , i I ;
2. { () = x } , i I .
i

38
 O variabil aleatoare discret pentru care I este finit se numete variabil
aleatoare simpl.
Schematic variabila aleatoare se noteaz prin
x
: i , p i = 1. (3.1.)
pi iI iI

Tabloul (3.1) se numete distribuia sau repartiia variabilei aleatoare .

Numrul produselor defecte dintr-un lot examinat, numrul de defeciuni care apar
ntr-o anumit perioad de funcionare a unui dispozitiv, indicatorul unui eveniment A
sunt variabile aleatoare discrete.
Faptul c iI
pi = 1 ne sugereaz ideea c aceast sum se repartizeaz ntr-un

anumit mod ntre aceste valori xi , deci din punct de vedere probabilistic o variabil
aleatoare este complet determinat dac se d o astfel de repartiie. Vom stabili o astfel de
lege de repartiie.
Una din formele cele mai simple n care putem reprezenta o astfel de lege este
forma schematic (3.1) sau sub forma unui tabel.

xi x1 x2 xi xn
pi p1 p2 pi pn

O alt form este cea grafic lund pe axa absciselor valorile xi iar pe axa
ordonatelor probabilitile corespunztoare. Putem obine unind aceste puncte poligonul
de repartiie:

Figura 3.1.
sau diagrama n batoane

39
 Figura 3.2.

Exemplu. Un lot de piese este supus unui control de calitate n modul urmtor: se
extrage pe rnd cte o pies care se cerceteaz dac poate fi admis sau nu. Se cerceteaz
5 piese. Dac piesa din extracia de rang k = 1,2,3,4 nu corespunde, lotul se respinge.
S se scrie tabloul de repartiie al variabilei aleatoare care reprezint numrul de piese
cercetate, dac probabilitatea ca o pies luat la ntmplare din lot s fie admis este 0,85 .
S se traseze poligonul de repartiie corespunztor.
Rspuns. Variabila aleatoare poate lua valorile:
a. 1 - dac prima pies este rebut, deci P ( = 1) = 0,15 ;
b. 2 - dac prima pies extras e bun, iar a doua rebut cnd P ( = 2 ) = 0,85 0,15 ;
c. 3 - dac primele dou piese sunt bune i a treia rebut i P ( = 3) = (0,85) 0,15 ;
2

d. 4 - primele trei piese sunt bune, iar a patra rebut pentru care
P ( = 4 ) = (0,85) 0,15 ;
3

e. 5 - primele patru piese sunt bune, P ( = 5) = (0,85) .

4

Deci
1 2 3 4 5
:
0,15 0,1275 ( 0,85 ) 0,15 ( 0,85 ) 0,15 ( 0,85)
2 3 4

Poligonul de repartiie este cel din figura 3.3.

Figura 3.3
40
 Dac este o variabil aleatoare discret care poate lua valorile diferite xi
( i = 1,2,... ) putem face s-i corespund un sistem complet de evenimente ( Ai )i =1, 2,... aa
{ }
fel nct Ai = () = xi . innd seama de faptul c valorile xi sunt diferite, rezult


c Ai A j = ( i j ) i Ai = , deci P Ai = P ( Ai ) = 1 .
i =1 i=1 i=1
Reciproca a fost artat mai sus.
Definiie. Fie i dou variabile aleatoare definite prin
() = xn pentru An , ( n = 1,2,... )
(3.2.)
() = ym pentru Bm ( m = 1,2,... )
{ An } i {Bm } fiind dou sisteme complete de evenimente. Spunem c variabilele aleatoare
i sunt independente, dac pentru orice m i n avem
P ( An Bm ) = P ( An ) P ( Bm ) . (3.3.)
Cu alte cuvinte sistemele complete {An } i {Bm } sunt independente.
Fie i dou variabile aleatoare definite prin (3.2) i f o funcie real de dou
variabile reale. Variabila aleatoare = f (, ) ia valorile z nm = f ( xn , ym ) i este
{
definit de sistemul complet de evenimente Cnm = () = xn , () = ym . }
Avem
P(() = z ) = P(() = x , () = y ) . n m (3.4.)
f ( xn , ym )= z

Dac i sunt independente, avem

P (() = xn , () = ym ) = P (() = xn )P(() = ym ) .
Cu notaiile pn = P (() = xn ) , qm = P (() = ym ) rezult
P( () = z ) = p q n m . (3.5.)
f ( xn , ym )= z

Pentru f ( x, y ) = x + y avem
P( () = z ) = p q n m . (3.6.)
xn + ym = z

Dac, n particular i nu pot lua dect valori ntregi nenegative, avem

k
P ( ( ) = k ) = p j qk j (3.7.)
j =0

Distribuia lui = + se numete compunerea lui i .

41
 Spre exemplu fie variabilele aleatoare simple
x xn y ym
: 1 , : 1
p1 pn q1 qm
Variabila aleatoare + are tabloul de distribuie
x1 + y1 x1 + y2 xi + y j xn + y m
+ :
p11 p12 pij pnm
unde
(
pij = P (() + () = xi + y j ) = P { () = xi } () = y j { })
cu
n m

p
i =1 j =1
ij = 1.

Dac i sunt independente pij = pi q j .

Variabila aleatoare are tabloul de distribuie
x1 y1 x1 y2 xi y j xn y m
:
p11 p12 pij pnm
cu
(
pij = P (()() = xi y j ) = P { () = xi } () = y j { })
Operaiile de sum i produs se extind la orice numr finit de variabile aleatoare.
Rezult deci:
Puterea unei variabile aleatoare are tabloul de distribuie
x1k xnk
: k

p1 pk
deoarece P ( k () = xik ) = P (() = xi ) = pi .
Inversa unei variabile aleatoare cu valori nenule are tabloul de distribuie
1 1
1
: x1 xn .
p pn
1

Dac variabila aleatoare admite invers, atunci definim ctul = 1 i are

tabloul de distribuie
x1 xi xn

: y1 yj ym .

p11 pij pnm

42
 O constant a poate fi interpretat ca o variabil aleatoare definit pe orice
mulime de evenimente elementare, iar tabloul ei de distribuie interpretat ca variabil
a
aleatoare va fi a : deci vom putea face totdeauna operaii cu variabile aleatoare i
1
constante.
Exemplu. Se d ecuaia ax + by + c = 0 , n care coeficienii a, b, c se determin
prin aruncarea unui zar. S se determine probabilitatea ca dreapta astfel obinut s treac
prin punctul de coordonate ( 1,1) .
Rspuns. Experimentului de determinare a unui coeficient i atam variabila aleatoare
care ia ca valori numrul de puncte aprut, deci
1 2 3 4 5 6
:1 1 1 1 1 1

6 6 6 6 6 6
Fie 1 , 2 , 3 variabilele aleatoare corespunztoare determinrii coeficienilor
a, b, c . Aceste variabile aleatoare sunt independente. Dreapta trece prin punctul ( 1,1)
cnd 1 + 2 + 3 = 0 . Deci trebuie s determinm
P ( 1 + 2 + 3 = 0 ) = P (1 = 2 + 3 ) .
innd seama de faptul c variabilele aleatoare sunt independente putem scrie
6
P( 1 + 2 + 3 = 0 ) = P({ 2 + 3 = k } {1 = k }) =
k =1
6
= P(1 = k )P( 2 + 3 = k )
k =1

1
Avem P (1 = k ) = , k = 1,...,6 i
6
6

P(
k =1
2 + 3 = k ) = P ( 2 + 3 6 )
fiind probabilitatea ca suma punctelor obinute la aruncarea a dou zaruri s fie mai mic
dect 6 . innd seama de faptul c tabloul de distribuie a variabilei aleatoare care
reprezint suma punctelor obinute este
2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
2
6 62 62 62 62 62 62 62 62 62 62
avem
6
15
P(
k =1
2 + 3 = k ) =
36

43
deci
5
P (1 = 2 + 3 ) = .
72

3.2. Momentele unei variabile aleatoare discrete

Momentele unei variabile aleatoare discrete sunt valorile tipice cele mai frecvent
utilizate n aplicaii.
Definiie. Fie o variabil aleatoare discret care ia valorile xi cu
probabilitile pi , i I . Dac seria x piI
i i este absolut convergent, expresia

M ( ) = xi pi (3.8.)
iI
se numete valoare medie a variabilei aleatoare discrete .
Dac este o variabil aleatoare simpl care ia valorile x1 ,..., xn cu
probabilitile p1 ,..., pn , atunci valoarea medie va fi
n
M ( ) = xi pi . (3.8'.)
i =1
Vom da n continuare cteva proprieti ale valorilor medii.
(P1). Dac i sunt dou variabile aleatoare discrete definite prin (3.2.) i dac
M ( ) i M () exist, atunci exist valoarea medie M ( + ) i
M ( + ) = M ( ) + M () . (3.9.)
{
Notnd prin Cij evenimentul () = xi , () = yi , Cij } { } formeaz un sistem
complet de evenimente i C
i
ij = Bj , C j
ij = Ai de unde P(C ) = P(B ),
i
ij j

P(C ) = P( A ) deci
j
ij i

M ( + ) = ( xi + y j ) P ( Cij ) = xi P ( Cij ) + y j P ( Cij ) =

i j i j i j

= xi P ( Cij ) + y j P ( Cij ) = xi P ( Ai ) + y j P ( B j ) =
i j j i i j

= M ( ) + M ( )
Prin recuren, se obine:
(P2). Fie k ( k = 1,..., n ) n variabile aleatoare discrete. Dac M ( k ) exist,
n

atunci M

k =1
k exist i

44
 n n
M k = M ( k ) . (3.10.)
k =1 k =1
(P3). Fie o variabil aleatoare discret i c o constant. Dac M ( ) exist,
atunci M (c ) exist i
M (c ) = cM ( ) . (3.11.)
Proprietatea rezult imediat din definiie i anume
M (c ) = pi (cxi ) = c pi xi = cM ( ) .
i i
Proprietile (P2) i (P3) conduc la:
(P4). Fie k ( k = 1,..., n ) n variabile aleatoare discrete i ck , ( k = 1,..., n ), n
n

constante. Dac M ( k ) , ( k 1,..., n ) exist, atunci M c k k exist i
k =1
n
n
M ck k = ck M ( k ) . (3.12.)
k =1 k =1
(P5). Valoarea medie a variabilei aleatoare M ( ) = este nul. se numete
abaterea variabilei aleatoare .
Deoarece M ( ) este o constant, valoarea medie a unei constante este aceea
constant, deci
M ( M ( )) M ( ) M ( ) = 0 .
(P6). Inegalitatea lui Schwarz. Fie i dou variabile aleatoare discrete pentru
care exist M ( 2 ) i M (2 ). Atunci
( ) ( )
M () M 2 M 2 . (3.13.)
Pentru demonstraie vom considera variabila aleatoare = ( ) unde
2

este un parametru real. Avem

( )
M ( ) = M 2 2M () + 2 M 2 . ( )
Dar 0 , deci M ( ) 0 pentru orice real. De aici rezult
( ) ( )
M 2 2M () + 2 M 2 0 , \ ,
de unde (3.13.).
(P7). Dac i sunt dou variabile aleatoare discrete independente i dac
M ( ) i M () exist, atunci M () exist i
M () = M ( )M () . (3.14.)
{
Notnd prin Cij = () = xi , () = y j , avem }
M () = xi y j P (Cij ) .
i j

45
 Dar i sunt independente, deci
P (Cij ) = P ( = xi )P ( = y j ) = pi q j
i

M () = xi pi y j q j = M ( )M () .
i j
Exemplu. Un aparat este format din 5 elemente care se pot defecta independent
unul de altul. Numerotm elementele de la 1 la 5 i fie pk = 0,3 + 0,2(k 1)
probabilitatea s se defecteze elementul cu numrul k , k = 1,...,5 . S se calculeze
valoarea medie a numrului de defeciuni.
Rspuns. Fie k variabila aleatoare asociat elementului cu numrul k care ia valori pe
1 sau 0 dup cum elementul se defecteaz sau nu,
1 0
k : , k = 1,...,5 .
0,3 + 0,2(k 1) 0,7 0,2(k 1)
Variabila aleatoare care d numrului de defeciuni este = 1 + 2 + 3 + 4 + 5 ,
deci
M ( ) = M (1 ) + M ( 2 ) + M (3 ) + M ( 4 ) + M (5 ) .
Avem M ( k ) = 0,3 + 0,2(k 1) de unde
5
M ( ) = [0,3 + 0,2(k 1)] = 3,5 .
k =1
Definiie. Fie o variabil aleatoarea discret i r un numr natural. Dac
exist valoarea medie a variabilei aleatoare r , atunci aceast valoare medie se
numete moment de ordin r al variabilei aleatoare i se noteaz
( )
r ( ) = M r = xkr pk . (3.15.)
k
r
Valoarea medie a variabilei aleatoare se numete moment absolut de ordin
r al variabilei aleatoare i se noteaz
( )= x
r ( ) = M
r

k
k
r
pk . (3.16.)
Definiie. Fie o variabil aleatoare discret . Momentul de ordinul r al
variabilei aleatoare abatere a lui se numete moment centrat de ordinul r a lui i
se noteaz
r ( ) = r ( M ( )) . (3.17.)
Momentul centrat de ordinul doi a variabilei aleatoare discrete se numete
dispersie sau variant i se noteaz prin D 2 ( ) sau 2 , deci

46
 D 2 ( ) = 2 = 2 ( ) . (3.18.)
Numrul D( ) = = 2 ( ) se numete abatere medie ptratic a lui .
Vom da n continuare cteva proprieti ale dispersiei i ale abaterii medii ptratice.
(P1). Are loc egalitatea
( )
D 2 ( ) = M 2 [M ( )] .
2
(3.19.)
ntr-adevr, innd seama de definiie
( ) (
D 2 ( ) = M [ M ( )] = M 2M ( ) + [M ( )] =
2 2 2
)
( )
= M 2 2[M ( )] + [M ( )] = M 2 [M ( )]
2 2
( ) 2

(P2). Dac = a + b cu a i b constante, atunci D() = a D( ) .

Avem
M () = aM ( ) + b ,
M ( ) = a 2 M ( 2 ) + 2abM ( ) + b 2
2

de unde D 2 () = a 2 D 2 ( ) .
n particular, pentru b = 0 avem D 2 (a ) = a 2 D 2 ( ) .
(P3). Fie ( k )1 k n , n variabile aleatoare discrete, dou cte dou independente i
c1 ,..., cn , n constante. Atunci
n n
D 2 ck k = ck2 D 2 ( k ) . (3.20.)
k =1 k =1
innd seama de (3.19.) avem
n n n
2

2

D ck k = M ck k M ck k =
2
k =1
k =1 k =1
2
n n
= M ck2 k2 + 2 ch ck h k ck M ( k ) =
k =1 h< k k =1
n n
( )
= ck2 M k2 + 2 ch ck M ( h k ) ck2 M ( k )
2

k =1 h< k k =1

2 ch ck M ( h ) M ( k )
h<k

Dar M ( h k ) = M ( h )M ( k ) , deci
n n
[ ( )
D 2 ck k = ck2 M k2 (M ( k ))
2
]
k =1 k =1
de unde (3.20.).

47
(P4). Inegalitatea lui Cebev. Fie o variabil aleatoare. Atunci
D 2 ( )
({
P () M ( ) < }) 2
. (3.21.)

pentru orice > 0 .

Aceast inegalitate poate fi pus sub o form foarte des folosit n aplicaii i
anume, lund = aD( ) , (3.21.) se scrie

P ( M ( ) aD( )) <
1
. (3.21'.)
a2
De exemplu, dac lum a = 3 , din (3.21'.) deducem
P( M ( ) 3D( )) <
1
,
9
adic probabilitatea ca o valoare a unei variabile aleatoare s ias din intervalul
1
(M () 3D(), M ( ) + 3D()) , este mai mic dect , deci majoritatea valorilor
9
variabilei aleatoare se vor grupa n jurul valorii medii pe un interval de lungime 6 D( ) .
Aceasta este regula celor 3 .

3.3. Variabile aleatoare de tip continuu

Fie {, , P} un cmp de probabilitate.
Definiie. Se numete variabil aleatoare o funcie : (definit pe
mulimea evenimentelor elementare cu valori reale), astfel nct toate mulimile de forma
{ }
Ax = () < x aparin lui , pentru orice x .
Vom da n continuare cteva proprieti ale variabilelor aleatoare.
1
(P1). Fie o variabil aleatoare i c o constant, atunci + c , c , , 2 , cu

0 sunt variabile aleatoare.
ntr-adevr funciile + c i c sunt variabile aleatoare deoarece
{ () + c < x} = { () < x c},
x
() < pentru c > 0
c
{ c() < x} = .
() > x
pentru c < 0
c
De asemenea,
{ () < x}= { () < x} { () > x} ,
{ () < x}= { () < x } ,
2

48
 1
< x =
( )


{
( ) < 0 } pentru x = 0
.

1
{ }
= ( ) < 0 ( ) >
x
pentru x < 0

1 pentru x > 0
( ) < 0 ( ) > 0 ( ) <
{ } { }
x
(P2). Fie i dou variabile aleatoare, atunci
{ () > ()} , { () ()} , { () = ()} .

(P3). Dac i sunt dou variabile aleatoare, atunci , + , , cu

0 , sup(, ) i inf (, ) sunt de asemenea variabile aleatoare.
Din (P2) rezult
{ () () < x} = { () < () + x} .
Faptul c + este variabil aleatoare rezult din + = ( ) i relaia
anterioar.
Observm c
1
=
4
[ ]
( + )2 ( )2 , = 1 ,

sup(, ) = ( + + ) , inf (, ) = ( + ) .
1 1
2 2
Din faptul c sup(, ) i inf (, ) sunt variabile aleatoare rezult c partea
pozitiv + i partea negativ a unei variabile aleatoare sunt variabile aleatoare,
deoarece + = sup(,0 ) , = inf (,0 ) .
Teorema 1. Dac este o variabil aleatoare nenegativ, exist un ir cresctor
(n )n * de variabile aleatoare simple, nenegative, care converge ctre .
Demonstraie. Notm
i 1 i 1
n pentru n () < n , (i = 1,2,..., n 2 )
i n
n () = 2 2 2
n pentru () n
pentru n = 1,2,... . Atunci n sunt variabile aleatoare simple, nenegative.

49
 1
Dac () < avem () n () < deci lim n () = () .
2n n

Dac () = , atunci pentru orice n `* avem n () = n deci

lim n () = () .
n

Dac nu este nenegativ, avem = + cu + i variabile aleatoare

nenegative i teorema este de asemenea adevrat.
Teorema 2. Dac ( n )n`* este un ir de variabile aleatoare, atunci sup n ,
n`*

inf n , lim n i lim n sunt de asemenea variabile aleatoare.

n`* n n

Definiie. Vom spune c variabilele aleatoare 1 ,..., n sunt independente dac

pentru toate sistemele reale x1 ,..., xn avem
P(1 < x1 ,..., n < xn ) = P(1 < x1 ) ... P( n < xn ) .

3.4. Funcie de repartiie

Definiie. Se numete funcie de repartiie a variabilei aleatoare , funcia
F ( x ) = P({ () < x}) (3.22.)
definit pentru orice x \ .
Din aceast definiie rezult c orice variabil aleatoare poate fi dat prin
intermediul funciei sale de repartiie.
Dac este o variabil aleatoare discret cu pn = P ( = xn ) , n I , atunci din
(3.22.) rezult
F (x ) = p n (3.22.)
xn < x

i se numete funcie de repartiie de tip discret. Rezult c n acest caz F este o funcie
n scar, adic ia valori constante pe intervalele determinate de punctele xi ( i I ).
Exemple
1. Fie variabila aleatoare
0 1 2 3 4
: .
0,15 0, 45 0, 20 0,15 0,05

50
 Figura 3.4
Conform cu (3.22.) rezult
0 pentru x < 0
0,15 pentru 0 x < 1

0,15 + 0, 45 pentru 1 x < 2
F ( x) =
0,15 + 0, 45 + 0, 20 pentru 2 x < 3
0,15 + 0, 45 + 0, 20 + 0,15 pentru 3 x < 4

1, 00 pentru x 4
Graficul ei este cel din figura 3.4.
k
2. n cazul unei variabile : k k mk cu m valori, dac evenimentele A j se
Cm p q
realizeaz cu probabilitatea p j , 1 j m , adic p j = P ( = m j ) , funcia de
repartiie corespunztoare este
0 pentru x < 0

p1 pentru 0 x < 1
p + p2 pentru 1 x < 2
F ( x) = 1
.............................. .......................................
p1 + p2 + ... + pm 1 pentru m 2 x < m 1

1 pentru x m 1

51
 Teorema 3. Funcia de repartiie a unei variabile aleatoare are urmtoarele
proprieti:
1. Dac x1 < x2 , atunci F ( x1 ) F ( x2 ) , x1 , x2 .
2. F ( x 0) = F ( x ) pentru orice x .
3. lim F ( x ) = 0 .
x
4. lim F ( x ) = 1 .
x +
Demonstraie.
1. Fie x1 < x2 dou numere reale. Notm Ax1 = { () < x1},
Ax2 = { () < x2 }. Avem Ax1 Ax2 , deci
( ) ( )
F ( x1 ) = P Ax1 P Ax2 = F ( x2 ) .
2. Fie x o valoare fix i fie x1 < x2 < ... < xn < ... un ir cresctor de numere
reale convergent ctre x . Considerm evenimentele Ax , A = () < x ,
1
{ }
Bn = { xn () < xn+1}, n = 1,2,... . Avem A = Ax1 B1 B2 ... .
Evenimentele din membrul doi sunt incompatibile dou cte dou prin construcie,
astfel c
( )
P( A) = P Ax1 + P(B1 ) + P(B2 ) + ... (3.24.)
Dar P( A) = F (x ) , P (A ) = F ( x ) ,
x1 1

P(Bn ) = P({ () < xn+1}) P({ () < xn }) = F ( xn+1 ) F ( xn ) , n = 1,2,... .

Relaia (3.24.) se scrie
F ( x ) = F ( x1 ) + [F ( x2 ) F ( x1 )] + [F ( x3 ) F ( x2 )] + ... (3.25.)
deci F ( x ) = lim F ( xn ) , unde
n

F ( xn ) = F ( x1 ) + [F ( x2 ) F ( x1 )] + ... + [F ( xn ) F ( xn1 )]
sau F ( x ) = F ( x 0 ) .
3. Fie irul de numere reale x1 > x2 > ... > xn > ... convergent la i fie
{ }
evenimentele Ax i Bn = xn () < xn 1 , n = 1,2,... Evenimentele Bn
1

( )

sunt incompatibile dou cte dou i Ax =
1 Bn deci P Ax1 = P(Bn ) sau
n =1 n =1

F ( x1 ) = [F (x1 ) F ( x2 )] + [F ( x2 ) F ( x3 )] + ... + [F ( xn1 ) F (xn )] + ...

Sn
adic F (x1 ) = lim S n .
n

52
 Dar S n = F ( x1 ) F ( xn ) deci F ( x1 ) = F ( x1 ) lim F ( xn ) . innd seama de
n

faptul c irul { xn }n * tinde la , rezult lim F ( xn ) = F ( ) = 0 .

n

{ xn }n * de numere reale care tinde la + i fie evenimentele

4. Fie irul cresctor
= { ( )}, Dn = { ( ) < x1} , Dn = { xn () < xn+ `1 },

n = 1,2,... Avem = D j i Di D j = , i j , deci P( ) = P(D j )
j =0 j =0

sau
1 = F ( x1 ) + [F ( x2 ) F ( x1 )] + ... + [F ( xn+1 ) F ( xn )] + ...
de unde rezult 1 = lim F ( xn ) = F (+ ) .
n
Reciproca acestei teoreme este urmtoarea:
Teorema 4. Orice funcie F monoton, nedescresctoare, continu la stnga i cu
F ( ) = 0 , F (+ ) = 1 este funcia de repartiie a unei variabile aleatoare definit pe
un cmp de probabilitate convenabil ales.
Teorema 5. Fie o variabil aleatoare a crei funcie de repartiie este F . Fie
a i b dou numere reale cu a < b . Au loc egalitile
1. P (a < b ) = F (b ) F (a ) ;
2. P(a < < b ) = F (b ) F (a ) P( = a ) ;
3. P(a < b ) = F (b ) F (a ) P( = a ) + P( = b ) ;
4. P(a b ) = F (b ) F (a ) + P( = b ) .
Demonstraie. Fie evenimentele A = { () < a}; B = { () < b};
C = { () = a}; D = { () = b}.
Rezult A B , A C B , A B D i
P (B AC ) = P(a < b ) ,
P (B (A B C )) = P(B ) P( A) P(C ) ,
( )
P (B D ) ( A C ) = P( A) P(C ) + P(D ) ,
C

( )
P (B D ) A = P ( B ) P ( A ) + P (D ) .
C

innd seama c P ( A) = F (a ) , P (B ) = F (b ) rezult cele patru egaliti.

Observaie. Din P ( = x ) = F ( x + 0 ) F ( x ) , rezult c putem scrie egalitile
(2)-(4) i sub forma
2'. P (a < < b ) = F (b ) F (a + 0 ) ;
3'. P (a < b ) = F (b + 0 ) F (a + 0 ) ;
4'. P (a b ) = F (b + 0 ) F (a ) .

53
 Exemple.
1. Se consider funcia F definit prin relaiile
0 pentru x < 0

F ( x ) = ax 2 pentru 0 x 1 ,
1 pentru x > 1

a constant. Se cere:
a. S se determine constanta a aa nct F s fie funcie de repartiie.
b. S se calculeze P (0,35 < 0,5) .
Rspuns.
a. Funcia F este continu n toate punctele axei reale cu excepia punctului x = 1 .
innd seama de definiia funciei de repartiie trebuie ca F s fie continu la stnga
n orice punct x \ i 0 F ( x ) 1 , deci n x = 1 trebuie s avem
0 F (1 0) = F (1) 1 , de unde rezult 0 a 1 . Dac cerem ca F s fie
continu n x = 1 , atunci a = 1 .
b. Avem P (a < b ) = F (b ) F (a ) de unde
P(0,35 < 0,5) = F (0,5) F (0,35) = 0,1275 .
2. S se determine constantele a i b astfel nct F ( x ) = a + b arctg x , x \
s fie o funcie de repartiie. S se calculeze P (0 < < 1) .
Rspuns. Din lim F ( x ) = 1 i lim F ( x ) = 0 rezult
x+ x

lim (a + b arctg x ) = a + b = 1,
x+ 2

lim (a + b arctg x ) = a b = 0 ,
x 2
1 1
considerndu-se determinarea arctg x . Se obine a = , b = i
2 2 2
1
P(0 < < 1) = F (1) F (0 + 0 ) = .
4
Definiie. Fie o variabil aleatoare a crei funcie de repartiie este F . Dac
exist o funcie real f definit i integrabil pe \ aa nct
x
F (x ) = f (u )du , (3.26.)

atunci F se numete funcie de repartiie absolut continu, iar se numete variabil
aleatoare absolut continu. Funcia f se numete densitate de probabilitate
(repartiie), iar expresia f ( x )dx se numete lege de probabilitate elementar.

54
 Dac F are o densitate de probabilitate f , atunci
F ( x + x ) F ( x ) P( x < x + x )
f ( x ) = F ( x ) = lim = lim .
x 0 x x 0 x
Rezult de aici c
P( x < x + dx ) = f ( x )dx (3.27.)
Densitatea de probabilitate are urmtoarele proprieti.
1. f ( x ) 0 pentru orice x \ ;
+
2. f (u )du = 1 ;

b
3. Pentru orice a < b reali are loc relaia P (a < b ) = f (x )dx .
a
Exemple.
1. Se consider funcia
0 pentru x < 0

f ( x ) = a sin x pentru 0 x
0 pentru x >

Se cere
a. S se determine constanta real a , astfel ca f s fie densitatea de
probabilitate a unei variabile aleatoare.
b. S se determine funcia de repartiie corespunztoare.

c. S se calculeze P 0 < .
4
Rspuns.
a. Din proprietile densitii de probabilitate deducem
+

f (x )dx = a sin xdx = 2a = 1

0

1
de unde a = .
2
x
b. Fie F funcia de repartiie corespunztoare. Avem F (x ) = f (u )du .

Pentru x < 0 , f ( x ) = 0 deci F ( x ) = 0 .

Pentru 0 x < avem
0 x x
1 1
F (x ) = f (u )du + f (u )du = sin udu = (1 cos x ) .
0
20 2
Pentru x avem
55
 0 x
1
F (x ) = f (u )du + f (u )du + f (u )du = sin udu = 1 .
0
20
Deci
0 pentru x < 0

1
F ( x ) = (1 cos x ) pentru 0 x < .
2
1 pentru x

1 4 2 2
c. P 0 < = sin udu = .
4 2 0 4
Graficul funciei f este cel din figura 3.5., iar al funciei F este cel din figura 3.6.
Aria haurat din figura 3.5. reprezint probabilitatea cerut la punctul c.

Figura 3.5. Figura 3.6

2. Fie o variabil aleatoare a crei funcie de repartiie (repartiie uniform) este

0 pentru x < 0

F ( x ) = x pentru 0 x < 1
1 pentru x 1

1
S se calculeze densitatea de repartiie a variabilei aleatoare = ln .

Rspuns.
1 1
(
P ( < x ) = P ln < x = P < e x = 1 P e x )

de unde
0 pentru x < 0
F ( x ) =
1 e
x
pentru x 0

i
56
 0 pentru x < 0
f (x ) = x .
e pentru x 0
3. [4] Probabilitatea ca dup x ore de funcionare o lamp electronic s ias din
funciune n intervalul ( x, x + dx ) este egal cu 0,01dx , independent de x . O
lamp a lucrat 30 ore. S se calculeze probabilitatea ca ea s ias din funciune n
urmtoarele 10 ore.
Rspuns. Fie variabila aleatoare care exprim durata de funcionare a unei lmpi n ore
i fie A evenimentul lampa lucreaz nu mai puin de x ore, iar B evenimentul
lampa iese din funciune n intervalul ( x, x + dx ) . Prin ipotez P (B A) = 0,01dx .
Avem
P( A) = P( x ) = 1 P( < x ) = 1 F ( x ) ,
P(B ) = P( x < x + dx ) = f ( x )dx ,
unde am notat prin f densitatea de probabilitate a lui . Deoarece B A ,
P(B A) P(B ) f ( x )dx
P(B A) = = = = 0,01dx .
P ( A) P ( A) 1 F (x )
Rezult
x

f ( x ) = 0,01[1 F ( x )] = 0,011 f (u )du .
0
Derivnd n ambii membri n raport cu x se obine ecuaia diferenial
df
+ 0,01 f ( x ) = 0 cu soluia f ( x ) = ke 0, 01x , x 0 , k constant. Din
dx

1 = f (u )du = k e 0, 01x dx = 100k
0 0

rezult k = 0,01 , iar f ( x ) = 0,01e 0 , 01 x

, x 0.
Probabilitatea cerut va fi
10 30

e dx e dx
0 , 01 x 0 , 01 x

P (30 < 40 ) e 0 , 3 e 0 , 4
P= = 0,01 0 0
= = 1 e 0,1 .
P (30 ) 30
e 0 , 3
1 e 0,01x dx
0

57
 3.5. Momentele unei variabile de tip continuu
Fie {, , P} un cmp de probabilitate i o variabil aleatoare a crei
funcie de repartiie este F . Fie f densitatea de repartiie a variabilei aleatoare .
Definiie. Se numete valoare medie a variabilei aleatoare expresia
+ +
M ( ) = xdF (x ) = xf (x )dx . (3.28.)

Definiie. Se numete moment de ordinul r , r ` , al variabilei aleatoare
continue , expresia
+ +
M r ( ) = r ( ) = x dF (x ) =
r
x f (x )dx ,
r
(3.29.)

iar expresia
+ +
M r ( ) = r ( ) = x dF ( x ) = x f (x )dx
r r
(3.30.)

se numete moment absolut de ordin r al variabilei aleatoare .
n acelai mod n care s-au definit momentul centrat de ordinul r , dispersia,
abaterea medie ptratic n cazul variabilelor aleatoare discrete, se definesc i pentru
variabile aleatoare de tip continuu. Proprietile valorii medii i ale dispersiei date pentru
variabile aleatoare de tip discret se menin pentru variabile aleatoare de tip continuu.
n aplicaii se ntlnesc i urmtoarele caracteristici:
Definiie. Se numesc asimetrie, As , i exces, E , numerele
3 ( )
As = ,
32 ( )
(3.31.)
( )
E = 42 3,
2 ( )
dac momentele respective exist.
Exemplu. Fie o variabil aleatoare de tip continuu cu densitatea de probabilitate
1 x
f (x ) = e , x \ . S se calculeze valoarea medie, dispersia, coeficientul de
2
asimetrie i excesul.
Rspuns. Avem
+ 0 +
1 1 1
M ( ) = xe dx = xe x dx + xe
x x
dx = 0 ,
2 2 2 0
+ +
D 2
() = 1 x 2e x dx = x 2e x dx = 2 .
2 0

58
 Din cauza simetriei repartiiei date rezult As = 0 .
+
1 4 x
4 ( ) = 2 x e dx = 24 ,
0
2
deci E = 3 .
Definiie. Se numete moment centrat n a de ordinul r al variabilei aleatoare
, momentul de ordinul r al variabilei aleatoare a , iar momentele variabilelor
r
aleatoare a se numesc momente absolute centrate n a de ordinul r .
Exemplu. [4] Fie o funcie de repartiie F cu derivate n toate punctele de
continuitate i astfel ca pentru i dat s existe k > i + 1 aa nct lim F ( x ) x k = 0 ,
x

lim [1 F ( x )] x = 0 . S se arate c
k
x+

1 r
M i (a ) =
i+1 (a ) ,
i +1
unde ir+1 este momentul de ordinul i + 1 centrat n a , iar
+ a
M i (a ) = (x a ) [1 F (x )]dx (x a ) F (x )dx .
i i

a
Rspuns. Avem

M i (a ) =
(x a )i+1 [1 F (x )] + + + (x a )i+1 F (x )dx
i +1 a

a
i +1
.
(x a ) i +1
F (x )
a a
(x a ) i +1
F ( x )dx

i +1
+

i +1
innd seama de condiiile problemei rezult
+
1
M i (a ) = (x a )i+1 F (x )dx = 1 ir+1 (a ) .
i + 1 i +1
Definiie. Mediana unei variabile aleatoare este numrul M e (sau ( ) )
pentru care
1
P( M e ) P( M e ) (3.32.)
2
sau
1 1
F (M e ) i F (M e + 0 ) . (3.33.)
2 2

59
 Din definiie rezult urmtoarele proprieti:
1. Dac este o variabil aleatoare cu M ( ) = m i D ( ) = , atunci are loc
inegalitatea
Me m 2 . (3.34.)
Inegalitatea lui Cebev ne d
(
P m 2 ) 1
2
.

innd seama de definiia medianei, rezult

m 2 Me m + 2 .
2. 2. Dac i sunt dou variabile aleatoare independente care au aceeai funcie
de repartiie F i este un numr real oarecare, atunci au loc inegalitile
1
P( M e ) P( ) , (3.35.)
2
1
P ( M e ) P ( ) 2 P (3.36.)
2 2
pentru orice > 0 , cu M e mediana variabilei aleatoare .
Variabilele aleatoare fiind independente i cu aceeai funcie de repartiie avem
( ) = () = M e i
P ( ) = P ( ( M e ) ( M e ) ) P ( M e , M e 0 ) =
= P ( M e ) P ( M e 0 )
1
Din (3.35) rezult P ( M e 0 ) , deci
2
1
P( ) P( M e ) .
2
Pentru demonstraia lui (3.36.), prima inegalitate rezult din (3.35.) i definiia
medianei. Pentru inegalitatea a doua observm c
P ( ) = P ( ( ) ( ) )

P + P =
2 2

= 2P
2
Din definiia medianei rezult c n cazul unei variabile aleatoare de tip
continuu, mediana este unic determinat de egalitatea

60
 x +
1
f (x )dx = f (x )dx = 2 .
x
Din punct de vedere geometric, mediana este abscisa punctului prin care trece
paralela la axa Oy , care mparte n dou pri egale aria limitat de curba de ecuaie
y = f ( x ) i axa Ox .
Exemplu. Fie o variabil aleatoare a crei densitate de probabilitate este

0 pentru x < 0 sau x >
2.
f (x ) =
sin x
pentru 0 x
2
S se determine mediana lui .
1
Rspuns. Dac este de tip continuu, atunci F (M e ) = , de unde
2
Me
1 Me

2 sin xdx = cos x

0 0
= 1 cos M e

1
deci cos M e = . Rezult M e = (figura 3.7.).
2 3

Figura 3.7.
Inegalitatea lui Markov. Fie o variabil aleatoare pozitiv a crei valoare
medie este finit. Pentru orice > 1 avem
1
P( M ( )) . (3.37.)

Notm m = M ( ) i avem
+ m + +
m= xdF (x ) = xdF (x ) + xdF (x ) m dF (x ) = m[1 F (m)] ,
0 0 m m

61
 1
de unde 1 P( < m ) .

Definiie. Moda, Mo , a unei variabile aleatoare este valoarea variabilei
aleatoare cea mai probabil.

EXERCIII I PROBLEME PROPUSE

3.1. Fie o variabil aleatoare care ia valorile x1 = 1 ; x2 = 0 , x3 = 1 . Dac
( )
M ( ) = 0,1 i M 2 = 0.9 s se determine probabilitile pi = P(() = xi ) ,
i = 1,2,3 .
Rspuns. p1 = 0,4 ; p2 = 0,1 ; p3 = 0,5 .
3.2. Fie o variabil aleatoare care ia valorile x1 = 3 , x2 = 5 i x3 cu probabilitile
p1 = 0,5 ; p2 = 0,3 i p3 . S se determine x3 i p3 dac M ( ) = 7 .
Rspuns. x3 = 20 , p3 = 0,2 .
3.3. Fie i dou variabile aleatoare cu M ( ) = 4 ; M () = 7 . S se determine
M (2 + 3) .
Rspuns. M (2 + 3) = 29 .
xi
3.4. [18] Fie o variabil aleatoare cu repartiia : , i = 1,2,..., k . Presupunnd
pi
c valorile xi , 1 i k sunt scrise n ordine cresctoare s se arate c

lim
( )
M n+1
= xk .
( )
n M n

3.5. [8] Fie ( i )1in , n variabile aleatoare independente, pozitive i egal repartizate. S
1 + 2 + 3 3
se arate c M 1
= ; M 1 = .
1 + ... + n
n
1 + ... + n n
3.6. Fie i dou variabile aleatoare independente cu D 2 ( ) = 4 , D 2 () = 7 . S
se calculeze D 2 (2 + 3) .
3.7. [8]. Fie o variabil aleatoare discret care ia valorile x1 i x2 cu probabilitatea
2
x x
p . S se demonstreze c D ( ) = 2 1 .
2

2
1
3.8. Probabilitatea de apariie a unui eveniment A n fiecare prob este . S se
2
calculeze probabilitatea ca numrul de apariii al evenimentului A n 150 de
experimente independente s fie cuprins ntre 45 i 60 .
62
Rspuns.
M ( ) = 50 , = 60 50 = 10 . P( 50 < 10 ) 1
25
= 0,75 .
10 2
0,3 0,4 0,5 0,2
3.9. Fie o variabil aleatoare discret cu repartiia : .
0,2 0,3 0,4 0,1
Utiliznd inegalitatea lui Cebev s se estimeze probabilitatea ca M ( ) < 0,2 .
Rspuns.
M ( ) = 0,4 , D 2 ( ) = 0,01 , P( 0,4 < 0,2) 1 0,25 = 0,75 .
3.10. Se d funcia definit prin relaia f ( x ) = ax 2 e kx , k > 0 , 0 x < + . Se
cere
a. S se determine constanta real a astfel nct f s fie o densitate de
repartiie.
b. S se calculeze funcia de repartiie corespunztoare.
1
c. S se determine probabilitatea ca s ia valori n intervalul 0, .
k
Rspuns.
k2 k 2 x 2 + 2kx + 2 kx
a= , F (x ) = 1 e ,
2 2
1 1 5
P 0 < < = F = 1 0,086 .
k k 2e
3.11. Fie variabila aleatoare discret din exemplul 3.9. S se determine funcia de
repartiie corespunztoare i s se traseze graficul ei.
3.12. Fie o variabil aleatoare a crei densitate de probabilitate este

2 cos 2 x pentru x 0,
4
f (x ) = . S se calculeze funcia de repartiie
0
pentru x 0,
4
corespunztoare.
3.13. [23] Fie F funcia de repartiie a variabilei aleatoare . Dac M ( )
exist, s se arate c lim [1 F ( x )] = 0 , lim xF (x ) = 0 .
x+ x
3.14. S se determine valoarea medie i dispersia variabilei aleatoare a crei
x a
1
densitate de probabilitate este f ( x ) = e a
, x\, a 0.
2a

63
 4. REPARTIII PROBABILISTICE CLASICE

4.1. Repartiii de tip discret

n multe aplicaii practice ale teoriei probabilitilor ntlnim cazuri n care un
experiment sau mai multe experimente analoage se repet de un numr de ori, fiecare din
ele ducnd la realizarea sau la nerealizarea unui anumit eveniment. Ceea ce intereseaz
este numrul de realizri ale evenimentului ntr-o serie de experimente. Experimentele
pot fi efectuate n aceleai condiii sau n condiii diferite.

4.1.1. Teorema particular a experimentelor repetate

S considerm urmtoarea problem: trei focuri independente sunt trase asupra

unei inte. Probabilitatea de a atinge inta pentru fiecare din ele este p . S se determine
probabilitatea ca dou din cele trei focuri s ating inta.
Fie A evenimentul dou din cele trei focuri ating inta i fie Ai ( i = 1,2,3 )
evenimentele focul i a atins inta. n aceste condiii A se scrie
( ) ( ) (
A = A1 A2 A3C A1 A2C A3 A1C A2 A3 )
Cele trei variante sunt incompatibile, iar evenimentele care le compun sunt
independente. Rezult
( ) ( ) ( )
P ( A) = P ( A1 )P( A2 )P A3C + P( A1 )P A2C P ( A3 ) + P A1C P ( A2 )P ( A3 )
de unde P ( A ) = 3 p 2 (1 p ) .
De o manier analog se rezolv urmtoarea problem mai general: se fac n
experimente independente, n fiecare din ele un eveniment A se poate realiza cu
probabilitatea p i nu se realizeaz cu probabilitatea q = 1 p . S se determine
probabilitatea ca n cele n experimente evenimentul A s se realizeze exact de m ori.
Fie Bm evenimentul A se realizeaz exact de m ori n cele n experimente i
Ai evenimentele: A s-a realizat n experimentul de rang i , ( i = 1,2,..., n ). Fiecare
variant de realizare a lui Bm se compune din m apariii a evenimentului A i din
n m nerealizri ale lui A (deci n m realizri ale lui AC ), deci
Bm = (A1 A2 ... Am Am +1 ... An )
C C

(
A1C A2 ... Am +1 AmC+ 2 ... AnC ) (4.1.)
( C
... A ... A
1
C
nm ... An m +1 ... An )
Numrul de maniere n care putem alege din cele n experimente, m experimente
n care se realizeaz A este Cnm . Toate variantele sunt incompatibile, experimentele sunt
independente, deci

64
 P (Bm ) = Pm, n = p m q n m + ... + p m q n m
 

de C nm ori

deci
Pm, n = Cnm p m q n m . (4.2.)
Probabilitile Pm , n au forma termenilor din dezvoltarea binomului ( p + q ) . Din
n

aceast cauz cmpul de evenimente din aceast schem probabilizat dup regula (4.2.)
se numete cmp binominal (este clar c evenimentele elementare ale cmpului asociat
experimentului pot fi considerate ca elemente ale produsului cartezian
n = ... ).
Aceast schem probabilistic a fost cercetat n mod deosebit de J.Bernoulli, de
aceea se mai numete i schema lui Bernoulli.
S calculm valoarea medie i dispersia unei variabile aleatoare repartizat
binominal. Avem
n
M ( ) = kCnk p k q n k
k =1
Pentru a calcula aceast sum vom pleca de la egalitatea
n
( pt + q )n = Cnk p k t k q n k
k =0
pe care o derivm n raport cu t ,
n
np ( pt + q ) = kCnk p k t k 1q n k .
n 1
(*)
k =1
De aici pentru t = 1 innd seama c p + q = 1 obinem
n

kC
k =1
k
n p k q n k = np .

Rezult
M ( ) = np . (4.3.)
Pentru a calcula dispersia va trebui s calculm momentul de ordinul doi a
variabilei aleatoare ,

( )
n
M 2 = k 2Cnk p k q n k .
k =1
Din (*) prin nmulire cu t obinem
n
npt ( pt + q ) = kCnk p k t k q n k
n 1

k =1
egalitate care derivat n raport cu t ne d
n
np ( pt + q ) + n(n 1) p 2t ( pt + q ) = k 2Cnk p k t k 1q n k
n 1 n2

k =1

65
 De aici pentru t = 1 i p + q = 1 obinem
( )
M 2 = np + n(n 1) p 2 .
Rezult
( )
D 2 ( ) = M 2 [M ( )] = npq .
2
(4.4.)
Moda unei repartiii este valoarea variabilei aleatoare cea mai ridicat. Moda n
cazul legii binomiale este o valoare ntreag cuprins ntre np q i np + q .
De exemplu pentru n = 9 i p = 0,4 avem dou valori modale 3 i 4 .
Exemple.
1. Doi parteneri cu for egal boxeaz 12 runde, probabilitatea ca oricare din ei s
1
ctige o rund este . S se calculeze valoarea medie, dispersia i abaterea medie
2
ptratic a variabilei aleatoare care reprezint numrul de runde ctigate de unul din
parteneri.
12
1
Rspuns. Variabila aleatoare are repartiia binomial P ( = k ) = C , k
12
2
k = 1,...,12 . Avem M ( ) = 6 , D 2 ( ) = 3 , D( ) = 3 .
2. O urn conine 30 bile albe i 10 bile negre. Se fac 200 de extracii din urn
punnd dup fiecare extracie bila napoi n urn. Se cere o margine inferioar pentru
probabilitatea ca numrul de apariii a bilei albe n cele 200 de extracii s fie
cuprins ntre 100 i 120 .
Rspuns. Dac notm prin variabila aleatoare care reprezint numrul de apariii ale
bilei albe, are repartiia binomial. Avem probabilitatea ca ntr-o extracie s
3 1
obinem o bil alb p = , deci q = . M ( ) = 150 , D 2 ( ) = 37,5 . Se aplic
4 4
inegalitatea lui Cebev, i se obine
P (100 < < 120 ) = P ( 100 < 10 ) 1
37,5
= 0,625 .
100
3. La controlul de calitate este controlat un lot de piese. Probabilitatea ca lund la
ntmplare o pies din lot s fie defect este 0,005 . Sunt controlate 100 piese din
lot, care sunt luate pe rnd i repuse fiecare napoi n lot dup ce a fost controlat. Se
cere
a. Probabilitatea ca ntre cele 100 piese controlate s avem cel mult patru piese
defecte.
b. Cel mai probabil numr de piese bune.
Rspuns.
4 4
a. P = P100, k = C100
k
(0,005) (0,995) k 100 k

k =0 k =0

b. [100 0,005 0,005] = [0,99]

66
4. Un grup de 40 elevi audiaz un curs de 3 trimestre. La terminare dau un examen la
care li se pune fiecruia cte o ntrebare din materia fiecrui trimestru. tim c 5
elevi cunosc n ntregime materia predat, 10 elevi cunosc 90% din materia
predat pe fiecare trimestru, 11 elevi cunosc cte 80% din materie, 7 elevi 60% ,
5 elevi cte 50% i doi elevi nu cunosc nimic din materia predat. La examen un
elev rspunde bine la primele dou ntrebri i fals la a treia. Care este probabilitatea
ca el s fie unul din elevii care cunosc: ntreaga materie, 90% , 80% , 60% , 50% ,
0% din ntreaga materie.
Rspuns. Fie evenimentele A1 cinci elevi cunosc ntreaga materie; A2 10 elevi
cunosc 90% din materie; A3 11 elevi cunosc 80 din materie; A4 7 elevi cunosc
60% ; A5 5 elevi cunosc cte 50% din materie i A6 2 elevi nu cunosc nimic din
1 1 11 7
materia predat. Avem P ( A1 ) = , P ( A2 ) = , P ( A3 ) = , P ( A4 ) = ,
5 4 40 40
1 1
P ( A5 ) = , P ( A6 ) = .
8 20
Fie evenimentul X un elev rspunde bine la dou ntrebri i fals la a treia.
2 2
9 1 8 2
Avem P( X A1 ) = 0 , P ( X A2 ) = C
2
3 , P ( X A3 ) = C
2
3 ,
10 10 10 10
2 2
6 4 5 5
P ( X A4 ) = C
2
3 , P ( X A5 ) = C32 , P ( X A6 ) = 0 .
10 10 10 10
Vom da n continuare dou din cele mai cunoscute generalizri ale schemei
binominale.

4.1.2. Teorema general a experimentelor repetate.

Presupunem c se fac n experimente independente, n fiecare din ele un

eveniment A se poate realiza cu probabilitatea pi , i = 1,2,..., n i nu se realizeaz cu
probabilitatea qi = 1 pi . S se determine probabilitatea ca n cele n experimente
evenimentul A s se produc exact de m ori.
Cu notaiile fcute la schema binominal avem (4.1.), de unde
Pm, n = p1 p2 ... pm qm +1...qn + ... + q1 p2 p3...qn 1 pn + q1q2 ...qn m pn m +1... pn .
Aceast probabilitate este egal cu suma tuturor produselor posibile n care p
intr de m ori, cu indici diferii, iar q de n m ori, cu indici diferii.
Observnd c efectund produsul a n binoame ( pi z + qi ) , i = 1,2,..., n se obine
n
n ( z ) = ( pi z + qi ) (4.5.)
i =1

67
unde z este un parametru oarecare i atunci Pm , n este coeficientul lui z m din acest
produs. Aceast funcie se numete funcie generatoare a probabilitilor Pm , n . Avem
n n

( pi z + qi ) = Pm,n z m
i =1 m=0
(4.6.)
n
cu P
m =0
m, n = 1.
Este evident c teorema particular a experimentelor repetate rezult din teorema
general pentru p1 = ... = pn = p i q1 = ... = qn = q . n acest caz funcia generatoare
devine n ( z ) = ( pz + q ) sau
n

n
( pz + q )n
= Cnm p m q n m z m ,
m=0
de unde formula (4.2.).
n unele experimente practice se cere probabilitatea de realizare a evenimentului A
de cel puin m ori n cele n experimente. Notnd cu Cm acest eveniment avem
Cm = Bm Bm +1 ... Bn , de unde
P (Cm ) = Pm, n + Pm +1, n + ... + Pn , n
sau
n
P (Cm ) = P k ,n . (4.7.)
k =m
Schema probabilistic descris se numete schema lui Poisson.
Exemple.
1. La un concurs de matematic, 3 candidai primesc cte un plic care conine n
( n > 3 ) bilete cu probleme de algebr i geometrie. Cele trei plicuri conin respectiv
cte 1,2,3 subiecte de algebr. Fiind examinai, cei trei candidai extrag fiecare cte
un bilet din plic. Extragerea fcndu-se la ntmplare, s se afle probabilitatea
urmtoarelor evenimente:
a. Trei candidai s fie examinai la geometrie.
b. Nici un candidat s nu fie examinat la geometrie.
c. Cel puin un candidat s fie examinat la algebr.
(O.M., etapa judeean, 1970)
Rspuns. Se aplic schema lui Poisson. Avem
3 ( z ) = 1 z + n 1 2 z + n 2 3 z + n 3 =
n n n n n n
1 3
=
n3
( )
6 z + (11n 18 ) z 2 + 6n 2 22n + 18 z + ( n 1)( n 2 )( n 3)

68
a. Termenul liber din polinomul 3 ( z ) va fi P0 ,3 =
(n 1)(n 2)(n 3) .
n3
6
b. Coeficientul lui z 3 din 3 ( z ) este P3,3 = .
n3
c. P = 1 P0,3 .
2. [11] Un aparat se compune din 5 elemente: fiabilitatea (probabilitatea de
funcionare fr defeciune ntr-un interval de timp) elementelor este: p1 = 0,9 ;
p2 = 0,95 ; p3 = 0,8 ; p4 = 0,85 ; p5 = 0,91 . Dac nici unul din elemente nu
este n pan, probabilitatea de funcionare a aparatului fr defeciuni este egal cu 1 ;
dac unul din cele cinci elemente este n pan, aceast probabilitate este 0,7 , iar
dac dou elemente sunt n pan, aparatul nu poate funciona. S se determine
probabilitatea ca aparatul s poat efectua munca pentru care este destinat.
Rspuns. Facem urmtoarele ipoteze A1 nici un element nu este n pan; A2 un
element este n pan. Probabilitile lor vor fi P ( A1 ) = P0 ,5 ; P ( A2 ) = P1,5 . Cum
5 ( z ) = (0,1z + 0,9 )(0,05 z + 0,95)(0,2 z + 0,8)(0,15 x + 0,85)(0,09 z + 0,91) =
0,530 + 0,264 z + ...
de unde P ( A1 ) = 0,530 , P ( A2 ) = 0,364 .
Notnd cu A evenimentul aparatul efectueaz munca pentru care este destinat
formula probabilitii totale ne d P ( A) = 0,530 1 + 0,364 0,7 = 0,784 .

4.1.3. Repartiia Poisson de parametru .

S presupunem c n repartiia binominal (4.2.) lum np = (constant). S

determinm n acest caz valorile probabilitilor pentru n .
Obinem
n(n 1)...(n k + 1) k n k k
lim Pk , n = lim 1 = e .
n n
nk k! n k!
Notnd pk = lim Pk .n , avem
n

k
pk = e (4.8.)
k!

k
i pk = e
k =0 k = 0 k!
= e e = 1 , deci probabilitile definite prin (4.7.) sunt termenii
unei repartiii.

69
 Definiie. Repartiia determinat prin probabilitile (4.7.) se numete repartiie
Poisson de parametru , iar variabila aleatoare
0 1 2 " k "
: 2 k
e e e " e "
1! 2! k!
se numete variabil aleatoare Poisson.
S calculm valoarea medie i dispersia variabilei aleatoare . Avem

k
k 1
M ( ) = k e = e
= e e =
k =0 k! k =1 (k 1)!
deci
M ( ) = . (4.9)
De asemenea,
k
) k ! e
k

( )
M 2 = k2
k!
e = k 2 k + k(
=
k =0 k =0

k
k
= k ( k 1) e + k e =
k =1 k! k =0 k!

k 2
= 2e + = 2 +
k =2 ( k 2 )!

deci
D 2 ( ) = . (4.10.)
Moda este o valoare ntreag cuprins ntre m 1 i m .
Una din cele mai importante proprieti a repartiiei Poisson este aceea c valoarea
medie i dispersia variabilei aleatoare sunt egale. n practic dac media i dispersia
calculat pe baza datelor observate sunt egale sau foarte apropiate, putem considera c
repartiia teoretic a variabilei studiate este de tip Poisson.
Repartiia Poisson este denumit legea evenimentelor rare, datorit proprietii
sale de a aproxima o repartiie binomial cnd numrul experimentelor n este foarte
mare iar probabilitatea de apariie a evenimentului considerat este foarte mic.
Exemplu. O main fabric un numr mare de piese dintre care unele sunt defecte.
Se fac observaii pe N = 100 de eantioane a n = 40 piese, fiecare alese la ntmplare.
Obinem urmtoare distribuie a pieselor defecte:

70
 Nr. piese defecte xi Nr. eantion ni
0 28
1 40
2 21
3 7
4 3
5 1
peste 6 0
total 100
Fcnd ipoteza c proporia pieselor defecte rmne constant, numrul X al
pieselor defecte n fiecare eantion este o variabil aleatoare binomial de parametru
n x i i
120
n = 40 i p valoare necunoscut. Media de selecie este x = i
= = 1,2 i
N 100
x 1,2
putem estima p = = = 0,03 .
n 40
n acest exemplu putem aproxima legea binomial cu legea Poisson, proporia
pieselor defecte fiind suficient de mic iar efectivul fiecrui eantion, este n = 40 .
Comparaia ntre frecvenele observate i probabilitile ajustate prin legea
binomial i Poisson rezult din tabelul:
Probabilitate Probabilitate
Numr piese Frecvena de
lege lege
defecte observaie
binomial Poisson
0 0,28 0,2957 0,3012
1 0,40 0,3658 0,3614
2 0,21 0,2206 0,2169
3 0,07 0,0864 0,0867
4 0,03 0,0247 0,0260
5 0,01 0,0055 0,0062
6 0 0,0010 0,0012
7 0 0,0001 0,0002
peste 8 0 0,0002 0,0002
Total 1 1,0000 1,0000

71
 4.1.4. Schema polinomial.

O urn conine bile de culorile c1 , c2 ,..., cs n proporii cunoscute; deci cunoatem

probabilitatea pi de apariie ntr-o extracie, a unei bile de culoarea ci , i = 1,2,..., s . Se
fac n extracii a cte o bil, cu condiia ca la fiecare extracie urna s aib aceeai
compoziie. Fie A evenimentul ca n extraciile efectuate s apar i bile de culoarea
ci , ( i = 1,..., s ), deci = (1 ,..., s ) . Probabilitatea acestui eveniment este
n!
P( A ) =

p1 1 p2 2 ... ps s . (4.11.)
1! 2!... s !
Aceast probabilitate se mai noteaz cu P (n; 1 ,..., s ) .
Experimentul descris mpreun cu cmpul de evenimente asociat, probabilizat
dup regula (4.11.) se numete schem polinomial. Cmpul probabilizat din aceast
schem se numete cmp polinomial.
Exemplu. [23] Un muncitor produce cu probabilitile 0,9 ; 0,07 i 0,03
respectiv o pies bun, o pies cu un defect remediabil i un rebut. Muncitorul a produs
trei piese. Care este probabilitatea ca ntre cele trei piese s fie cel puin o pies bun i
cel puin un rebut?
Rspuns. Pentru calcularea acestei probabiliti aplicm schema polinomial i anume
P = P(3;1,1,1) + P(3;2,0,1) + P(3;1,0,2 ) =
3! 3!
(0,9 ) (0,07 ) 0,03 +
2 0
= 0,9 0,07 0,03 +
1!1!1! 2!0!1!
3!
0,9 (0,07 ) (0,03) = 0,08667
0 2
+
1!0!2!

4.1.5. Schema bilei nerevenite

Se consider o urn cu urmtoarea structur: a1 bile de culoarea c1 ; a2 bile de

culoarea c2 ; ...; as bile de culoarea cs . Se fac n extracii fr a repune bila extras
napoi n urn (experiena este echivalent cu extragerea a n bile deodat). Fie A
evenimentul aleator apariia a exact k , ( k = 1,..., s ) bile de culoarea ck n grupul
s
celor n bile extrase unde = (1 ,..., s ) , 0 k ak , k = n . Avem un cmp
k =1
de evenimente pe care l vom probabiliza dup definiia clasic a probabilitii.
Numrul cazurilor egal posibile de realizare a evenimentului A este dat de
Can1 +...+ a s (toate posibilitile de extracie a n bile din totalul de bile aflate n urn).

Numrul cazurilor favorabile realizrii lui A este dat de Ca 1 Ca 2 ...Cass . Deci
1 2

72

Ca11 Ca22 ...Cass
P( A ) = P(n; 1 ,..., s ) = . (4.12.)
Can1 +...+ a s
Experimentul descris mpreun cu cmpul de evenimente asociat, probabilizat
dup regula dat, se numete schem hipergeometric sau schema bilei nerevenite.
Exemple.
1. O urn conine 30 bile dintre care 10 bile albe, 8 negre, 7 roii i 5 verzi. Se
extrag 5 bile din urn fr a repune bila extras napoi. Se cere probabilitatea ca
ntre cele 5 bile extrase s avem:
a. Trei bile albe, o bil roie i una verde.
b. O bil alb, dou negre i dou roii.
Rspuns. Se aplic schema bilei nerevenite. Avem
C103 C80C71C51 C101 C82C72C50
a. P (5;3,0,1,1) = ; b. P (5;1, 2, 2, 0 ) = .
C305 C305
2. Pentru controlul de calitate al unui lot de N piese se extrag deodat n piese
( n < N ). tiind c n lot avem a piese rebut i b piese bune ( a + b = N ) s se
scrie tabloul de distribuie a variabilei aleatoare care reprezint numrul de piese
rebut dintre cele n extrase. S se calculeze valoarea medie i dispersia acestei
variabile.
Rspuns. Variabila aleatoare poate lua valorile 0,1,..., n cu probabilitile
Cak Cbn k
P( = k ) = , k = 0,1,..., n deci
C Nn
k
k nk
: Ca Cb , k = 0,1,..., n .
Cn
N
Avem
n n
1 a
M ( ) = kC C k
a
nk
b = C k 1
a 1 Cbn k ,
C Nn k =1 C Nn k =1
dar
n n 1

C
k =1
k 1
C
a 1
nk
b = Cak1Cbn 1 k = Can+b1 1 = C Nn 11
k =0
i
C Nn 11 n
M ( ) = a = a. (4.13.)
C Nn N
a b
Notm p = ,q= deci M ( ) = np .
N N
( )
De asemenea, M 2 = M (( 1)) + M ( ) , dar

73
 n n
= k (k 1)Cak Cbn k = a (a 1) Cak22Cnn k =
C Nn M (( 1)) k =2 k =2

= a (a 1)C n2
a +b 2 = a (a 1)C n2
N 2
de unde
( )
M 2 = n
a
(a 1) n 1 + n a = na [a(n 1) + N n] .
N N 1 N N ( N 1)
Dispersia va fi
nab N n N n
D 2 ( ) = = npq . (4.14.)
N 2
N 1 N 1

4.2. Repartiii de tip continuu

n cele ce urmeaz ne vom referi la repartiiile unidimensionale de tip continuu.
Fie {,, P} un cmp de probabilitate, mulimea variabilelor aleatoare
definite pe i mulimea funciilor de repartiie. Vom presupune c pentru orice
F exist variabila aleatoare a crei funcie de repartiie este F .

4.2.1. Repartiia de densitate uniform

n multe probleme se ntlnesc variabile aleatoare continue ale cror valori sunt
ntr-un anumit interval i astfel c toate valorile sunt echiprobabile (au aceeai densitate
de probabilitate).
De exemplu, la cntrirea unui obiect cu o balan de precizie i nedispunnd de
greuti mai mici de un gram, rezultatul cntririi arat c greutatea obiectului este
1
cuprins ntre k i k + 1 grame. Spunem c greutatea obiectului este k + grame.
2
Admitem c eroarea comis este o variabil aleatoare repartizat cu o densitate
1 1
uniform n intervalul , .
2 2
Definiie. Se numete funcie de repartiie uniform pe [a, b ] , funcia de
repartiie a crei densitate de probabilitate este
1
pentru x [a, b ]
f (x ) = b a . (4.15.)
0 pentru x [a, b ]

Funcia de repartiie uniform va fi dat de aria cuprins ntre graficul curbei
y = f ( x ) i axa Ox care se afl la stnga lui x . Deci

74
 0 pentru x < a

xa
F ( x) = pentru a x < b (4.16.)
b a
1 pentru b x
iar graficul ei este cel din figura 4.1.

Figura 4.1.

Definiie. Variabila aleatoare se numete uniform pe [a, b ] dac are

repartiie uniform pe [a, b ] .
a+b
Din cauza simetriei legii uniforme, mediana lui este egal cu . Avem
2
b
1 b+a
M ( ) = xdx = ,
ba a 2

D ( ) =
1
b
a+b (b a ) . 2 2

x dx =
2

ba a 2 12
Din cauza simetriei, coeficientul de asimetrie este nul.
b
1 b k +1 a k +1
M k ( ) =
b a a
x dx =
k
,
(b a )(k + 1)
4 ( ) =
1
b
a+b (b a ) ,
4 4

ba a
x dx =
2 80
iar excesul va fi
4 ( )
E= 3 = 1,2 .
22 ( )

75
 S calculm acum probabilitatea P ( < < ) , unde variabila aleatoare este
repartizat uniform n [a, b ] i [, ] [a, b ] . Din punct de vedere geometric aceast
probabilitate este egal cu aria haurat din figura 4.2. Este evident c

P( < < ) = (4.17.)
ba
adic probabilitatea cerut este egal cu raportul dintre lungimile celor dou intervale.

Figura 4.2.

Exemple.
1. Se msoar diametrul unui cerc i se obin diverse rezultate care sunt interpretate ca
valori ale unei variabile aleatoare . S se determine repartiia ariei cercului tiind c
are o repartiie uniform n intervalul [a, b] de lungime 1.
Rspuns. Avem
1 pentru a < x b
f (x ) = .
0 pentru x a, x > b
2 S
Din aria cercului S = rezult = 2 deci pentru 0 < a < b ,
4

0 pentru x < a 2
4
x x
FS ( x ) = F 2 = 2
pentru a 2 x < b 2
4 4

1 pentru b 2 < x
4
2. Dac i sunt dou variabile aleatoare independente repartizate uniform n

[0,1] . S se determine densitatea de repartiie a variabilei aleatoare = .

76
Rspuns.
1 pentru x [0,1]
f (x ) = f (x ) = ,
0 pentru x [0,1]
1 1 1
1
f ( x ) = u f ( u ) f ( ux ) du = uf ( ux ) du = 2 uf ( u ) du
0 0
x 0
de unde
1
pentru 0 < x 1
2
f (x ) = .
1 pentru x > 1
2 x 2
3. Dac 1 ,..., n sunt n variabile independente uniforme pe [0,1] s se arate c
n
variabila aleatoare (n ) = k are densitatea de repartiie
k =1

0 pentru x < 0

1
f (n ) ( x ) = Qn, k ( x ) pentru 0 k x k + 1 n ,
(n 1)!
0 pentru n < x
unde
Qn , k ( x ) = x n 1 Cn1 ( x 1) + ... + ( 1) Cnk ( x k )
n 1 k n 1

Rspuns. Vom raiona prin recuren asupra lui n . Pentru (2 ) = 1 + 2 ,

+ x
f (2 ) ( x ) = f ( x z ) f ( z )dx = f (z )dz
x 1
deci
0 pentru x < 0
x pentru 0 x < 1

f (2 ) ( x ) =
x 2( x 1) pentru 1 x 2
0 pentru x > 2
Pentru (n ) se observ c f ( x ) este nul n afara segmentului [0, n ] , iar pe acest
segment
x
f (n ) ( x ) = f ( ) (t )dt .
n 1
x 1

77
 4.2.2. Legea normal

Legea de repartiie normal este o lege limit ntlnit frecvent n aplicaii practice.
Se poate arta c suma unui numr suficient de mare de variabile aleatoare
independente urmnd o lege oarecare, pentru suficient de puine restricii, tinde ctre o
lege normal.
Definiie. Se numete funcie de repartiie normal notat prin
( )
; m, 2 funcia de repartiie definit prin densitatea de probabilitate
( x m )2
( )

1 22
f x; m, 2 = e (4.18.)
2
m i 2 fiind constante, numite parametrii repartiiei.
Graficul densitii f (x; m, 2 ) este cel din figura 4.3.

Figura 4.3.

Funcia de repartiie este

x x (u m )2
( ) ( )

1
x; m, 2 = f u; m, 2 du = e 22
du (4.19.)
2
um
Facem schimbarea de variabil = t i se obine

xm
t2
xm
(
x; m, =
1
2
) e

2
dt =

;0,1 (4.20.)
2
Integrala (4.20.) nu poate fi exprimat prin funcii elementare, dar poate fi calculat
cu ajutorul funciilor speciale. Pentru astfel de funcii, des ntlnite n practic, s-au
ntocmit tabele. Din (4.20.) se vede c este suficient s cunoatem valorile numerice ale
funciei (;0,1) pentru a deduce valorile numerice ale funciei ; m, 2 . ( )

78
 Vom nota
x t2
1
(x ) =
*
e 2 dt .
2
Variabila aleatoare se numete normal N m, 2 ( ) dac are funcia de
( )
repartiie ; m, . Pentru vom calcula caracteristicile numerice eseniale: valoarea
2

medie, dispersia i momentele centrate.

Pentru
+ ( x m )2
M ( ) = xf (x; m, 2 )dx =

1
2 xe 2 2
dx ,

xm
fcnd schimbarea de variabil = t , se obine
2

( )
+ + +
1 2 m
M ( ) = t 2 t 2 2


2t + m e dt =
te dt +

e t dt .

Se observ uor c prima integrat este nul, iar cea de a doua este integrala
Euler-Poisson
+ +
t 2 2
e

dt = 2 e t dt = .
0
Rezult
M ( ) = m , (4.21.)
deci parametrul m este tocmai valoarea medie a lui .
De asemenea,
+
( x m )2
1
D ( ) = ( ) 2 2
2
2
x m e dx .
2
xm
i u aceeai schimbare de variabil = t , se obine
2

+ +
2 2 2 t 2 +
D 2 ( ) = t 2 t 2

t e dt = te + e dt

de unde
D 2 ( ) = 2 . (4.22.)
Formula (4.18.) ne arat c centrul de dispersie m este centrul de simetrie al
repartiiei. Dac x m i schimb semnul, expresia (4.18.) rmne neschimbat. Dac
m i schimb valoarea, curba de densitate se deplaseaz de-a lungul axei Ox x fr a-i
schimba forma (figura 4.4). Deci m caracterizeaz poziia repartiiei pe axa Ox .
Parametrul caracterizeaz forma curbei de densitate. Ordonata maxim a curbei este

79
invers proporional cu . Pentru m = 0 i 1 > 2 > 3 (figura 4.5) ne arat forma
curbei de densitate.
n multe aplicaii pentru caracterizarea dispersiei legii normale se utilizeaz msura
de precizie care este mrimea
1
L= (4.23.)
2

Figura 4.4.

Figura 4.5.

Momentul centrat de ordin k va fi

+ + ( x m )2
1

( x m ) f ( x; m, ) ( x m)
k k
2 2
k = 2
dx = e =
2

( 2 )
k
+
k t 2
=
t e

80
 Integrnd prin pri avem
( 2 ) 1 t
k
t 1 t 2
+ k 1 k 2 t 2
+

2
k = e + t e dt =
2
(k 1)( )k +
2 k 2 t 2
=
2 t

e dt

de unde
k = (k 1) 2 k 2 . (4.24.)
Din aceast formul de recuren obinem 2 = 2 , 4 = 3 4 , 6 = 15 6 , ,
k = (k 1)!! k , unde s-a notat prin (k 1)!! produsul tuturor numerelor impare de la
1 la k 1 .

Asimetria este As = 33 = 0 , iar excesul E = 44 3 = 0 .

S calculm n continuare probabilitatea P (a < b ) = F (b ) F (a ) unde
F ( x ) este repartiia lui . innd seama de (4.19) rezult (figura 4.6)
bm * a m
P(a < b ) = * . (4.25.)

De exemplu, avem
P(m < m + ) = * (1) * (0 ) 0,8413 0,5000 = 0,341
P(m + < m + 2 ) = * (2 ) * (1) 0,136
P(m + 2 < m + 3 ) = * (3) * (2) 0,012
P(m + 3 < m + 4 ) = * (4 ) * (3) 0,001
unde valorile lui * (t ) sunt date n tabelul 2 din anexe.

Figura 4.6.

81
 Se observ c suma celor trei valori: 0,341 ; 0,136 ; 0,012 (au o precizie de
0
1 / 00 ) este aproximativ egal cu 0,5 ceea ce arat c pentru repartiia normal a
unei variabile aleatoare, dispersia se limiteaz la intervalul m 3 ceea ce
permite ca, dai fiind m i 2 , s se poat indica intervalul n care variabila
aleatoare ia toate valorile posibile cu o probabilitate mare sau practic ia toate
valorile posibile. Aceast metod de estimaie se numete n statistic legea celor
trei sigma (vezi i paragraful 3.2).
n aplicaii, repartiiile binomial i Poisson se asimileaz unei repartiii
normale N (0,1) dac pentru repartiia binominal n 50 i np 18 i se ia ca
+ 0,5 np
variabil aleatoare variabila normat , asimptotic normal N (0,1) , iar
npq
pentru repartiia Poisson, dac 18 , variabila aleatoare fiind n acest caz
+ 0,5
.

Exemple.
1. La un atelier se fabric bile cu un diametru de 0,8 cm. Defectele de fabricaie
dau o eroare a diametrului repartizat dup o lege normal m = 0 (nu avem
erori sistematice) i = 0,001 cm. La control sunt date ca rebuturi toate bilele
care trec printr-un inel de diametru de 0,798 cm i cele care nu pot trece
printr-un inel de diametru de 0,802 cm. S se determine probabilitatea ca o
bil luat la ntmplare s fie refuzat.
Rspuns. Fie evenimentul A bila este refuzat. Atunci A = A1 A2 unde A1
este evenimentul ce corespunde cazului cnd diametrul d < 0,798 , iar A2 pentru
d > 0,802 . Vom calcula
( )
P AC = P(0,798 < d < 0,802) = P( d md < 0,002)
unde md = 0,8 este diametrul normal. Avem
0, 002
( )
P AC = 2* 1 = 2* ( 2 ) 1 2 0,9772 1 0, 954 ,
0, 001
deci
P( A) 1 0,954 = 0,046 .
2. 500 de aparate de tipul A i 1000 de aparate de tipul B cu aceeai destinaie
sunt n serviciu. Ele trebuie reparate dup exploatare cu probabilitile 0,3
respectiv 0,4 . Se cere s se determine:
a. probabilitatea ca numrul de aparate ce trebuie reparate s fie cuprins
ntre 250 i 350 .

82
 b. numrul de reparaii n , ce trebuie efectuate n atelier pentru ca
probabilitatea p a numrului de aparate n reparaie s fie 0,90 .
Rspuns.
a. Fie evenimentul A aparatul trebuie reparat. Numrul de aparaii a
evenimentului A este o variabil aleatoare repartizat normal cu
M ( ) = 500 0,3 + 1000 0,4 = 550
D ( ) = 500 0,3 0,7 + 1000 0,4 0,6 = 345
2

P(250 350) P(250 < < 350 ) = P( 300 < 50) =

50
= 2* 1
345
n 300
b. P ( < n ) = 0,90 = * . Din tabele avem * (1,27 ) 0,90 deci
345
n 300
= 1,27 , de unde rezult n 323 .
345
Mediana unei variabile aleatoare repartizat normal, este numrul egal cu jumtate
din lungimea unui interval de pe axa absciselor simetric n raport cu punctul m i care
este baza figurii de arie egal cu jumtate din aria mrginit de axa Ox i curba de
repartiie (figura 4.7.).

Figura 4.7.

Dac este o variabil aleatoare repartizat normal, din definiie rezult c

P( m < M e ) =
1
(4.26.)
2
deci, din (4.23.) innd seama de simetria domeniului n raport cu centrul de
dispersie rezult
M
P ( m < M e ) = 2 * e 1 =
1
(4.27.)
2

83
de unde
M
* e = 0,75

iar din tabele rezult
Me
= 0,674 sau M e = 0,674 . (4.28.)

Deci, cunoscnd , putem determina imediat valoarea medianei.
Dac pentru caracterizarea dispersiei utilizm mediana, densitatea de
probabilitate a repartiiei normale se scrie
2
( x m )2

(
f x; m, 2 =) e M e2 (4.29.)
E
unde M e = 2 .

4.2.3. Repartiia lognormal

Spunem c variabila aleatoare urmeaz o repartiie lognormal dac

densitatea sa de probabilitate este

(ln x a )2
1
f (x ) = e 2 2
, x>0 (4.30.)
x 2
cu a i 2 valoarea medie, respectiv dispersia logaritmului lui .
1
Dac considerm variabila aleatoare = (ln a ) , ea este repartizat

N (0,1) .
Avem
(ln x a )2
1
M ( ) = xf ( x )dx = e 22
dx .
0 2 0
ln x a
Dac se face schimbarea de variabil = u rezult

2
a+
M ( ) = e 2
,
(4.31.)
2
2 a + 2 e 1
D ( ) = ( x M ( )) f ( x )dx = e
2 2
. (4.32.)
0
Importana acestei repartiii const n urmtoarele:
1. Dac x = 0 , f ( x ) = 0 , ceea ce este convenabil n cazul variabilei aleatoare
timp; repartiia normal nu are aceast proprietate.

84
2. Dac 1 ,..., n sunt variabile aleatoare lognormale independente, produsul
1... n este o variabil aleatoare lognormal. ntr-adevr, dac este
lognormal, atunci In este normal i acest rezultat decurge din proprietatea
de aditivitate a variabilelor aleatoare independente.

4.2.4. Repartiia exponenial negativ

Definiie. Spunem c variabila aleatoare urmeaz o repartiie

exponenial negativ dac are densitatea de probabilitate:
f ( x ) = e x , > 0 , 0 x < + . (4.33.)
Avem
1 e x pentru x > 0
F (x ) = .
0 pentru x 0
Exemplu. [5] Densitatea de repartiie a vieii unei lmpi dintr-un aparat de
1
radio cu 6 lmpi este e t , t > 0 , dat n ani i = . S se determine
3
probabilitatea ca n mai puin de 6 ani nici o lamp s nu mai fie schimbat.
Rspuns. Vieile medii ale lmpilor sunt considerate evenimente independente.
Probabilitatea ca viaa medie a unei lmpi s fie mai mare de 6 ani este
+
p = e t dt = e 6 = 0,0224 .
6

iar probabilitatea cutat va fi P = p 6 = (0,0224 )

6

4.2.5. Repartiia 2

Fie 1 , 2 ,..., v , v variabile aleatoare normale, normate, independente

( i N (0,1) ). Suma ptratelor acestor variabile aleatoare este o variabil aleatoare
notat
2 = 12 + 22 + ... + v2
Aceast variabil aleatoare are densitatea de repartiie
x2
1
, x [0,+ ) .

f ( x) = x v2
e 2
v
v (4.34.)
2
2

2
Spunem c aceast densitate de repartiie definete repartiia 2 cu v grade
de libertate, nelegnd prin aceasta numrul variabilelor independente a cror

85
 v
v
variaie nu sufer nici o restricie. 2 este o constant aleas de aa manier
2

2
+
nct f (x )dx = 1 .
0

(Reamintim c (n ) = x n 1e x dx este funcia gama a lui Euler, cu n un

0
parametru pozitiv).
Curba densitii de repartiie nu este simetric (figura 4.8) dar ea tinde s
devin simetric dac numrul gradelor de libertate v crete (peste 30 ).

Figura 4.8.

Valoarea medie a unei variabile aleatoare repartizat 2 este M ( ) = v .

ntr-adevr
x2
1
M ( ) = v x x e dx .
v2 2

v0
2
2

2
x2
Facem schimbarea de variabil t = i avem
2
v v
v
2 2 2
M ( ) =
v 0
2 t
t e dt = 2 =v
v

2 2
Analog se arat c dispersia este
D 2 ( ) = 2v . (4.35.)

86
 Vom da o proprietate deosebit de util n statistica matematic i anume:
Fie 1 , 2 ,..., n un ir de variabile independente care pot lua fiecare valorile
m
a1 , a2 ,..., am cu probabilitile p1 , p2 ,..., pm ( pi 0 , p
i =1
i = 1 ). Dac notm cu
m
i ( i = 1,..., m ) numrul de cte ori a fost luat valoarea ai ( i = n ), atunci
i =1
variabila
(1 np1 )2 + ( 2 np2 )2 + ... + ( m npm )2 (4.36.)
np1 np2 npm
urmeaz o repartiie 2 cu m 1 grade de libertate.
Repartiia 2 depinde numai de parametrul v (numrul gradelor de
libertate). Tabelul din anex ne d pentru fiecare valoare a lui v 30 , valorile
probabilitilor ca s avem pentru 2 o valoare mai mic dect un numr dat 02 ,
02 v
(
P = P 2 < 02 =) v
1
x 2 e dx
x
1

(4.37.)
v
2
2 0

2
i care reprezint aria nehaurat din figura 4.9.

Figura 4.9.

Exemplu. Pentru v = 7 ,
( ) ( )
P 2 < 2,83 = 1 P 2 2,83 = 1 0,90 = 0,10 ,
( )
sau P 14,1 = 0,95 .
2

87
 4.2.6. Repartiia Student

Fie 1 , 2 ,..., n variabile aleatoare normale N (0, ) , independente.

Variabila

t=
1 n (4.38.)

n i =1
i

unde este o variabil aleatoare N (0, ) , independent de irul (i )1 i n , este o

variabil aleatoare continu cu densitatea de repartiie
s + 1

s +1
1 2 x2 2
f (x ) = 1 + , x ( ,+ ) (4.39.)
s s s

2
Aceasta este densitatea repartiiei Student, (dup pseudonimului
matematicianului W. Gosset), cu s = n 1 grade de libertate.
Curba teoretic a acestei densiti este cea din figura 4.10.

Figura 4.10.

Ea este asemntoare cu curba densitii normale, dar diferit. Dac s

repartiia variabilei Student tinde spre funcia Laplace (n ) .
Funcia de repartiie Student este
x
F ( x) = f ( t ) dt . (4.40.)

Observm c densitatea (4.39.) nu depinde de 2 ceea ce este foarte util n

aplicaii practice.

88
 EXERCIII I PROBLEME PROPUSE

4.1. Un dispozitiv se compune din trei elemente care lucreaz independent.

Probabilitatea de a se defecta ntr-o prob a fiecrui element este 0,2 . S se
scrie repartiia variabilei aleatoare care reprezint numrul de elemente care
se pot defecta ntr-o prob.
Rspuns. este de tip Bernoulli i ia valorile 0 , 1 , 2 .
4.2. La un examen profesorul pune ntrebri suplimentare. Probabilitatea ca un
student s rspund la oricare din ntrebri este p = 0,95 . Profesorul ntrerupe
examenul dac studentul nu d rspunsul exact la o ntrebare. Se cere:
a. S se scrie repartiia variabilei aleatoare care reprezint numrul de
ntrebri suplimentare puse de profesor studentului.
b. S se determine numrul cel mai probabil, x0 , de ntrebri suplimentare
date.
h
Rspuns. : , h = 1,2,... ; x0 = 1 .
(0,95) 0,05
h 1

4.3. Un manual se editeaz cu un tiraj de 150.000 exemplare. Probabilitatea ca un

manual s fie respins ca fiind tiprit necorespunztor este 0,0002 . S se
determine probabilitatea ca tirajul s conin exact 5 manuale necorespunztor
tiprite.
305 e 30
Rspuns. = np = 30 ; P150.000 (5) = .
5!
4.4. O fabric trimite la un depozit 600 articole. Probabilitatea ca un articol s se
deterioreze n timpul transportului este 0,003 . S se afle probabilitatea ca n
timpul transportului s se deterioreze:
a. exact 5 articole;
b. mai puin de 5 articole;
c. mai mult de 5 articole;
d. cel puin un articol.
Rspuns.

a. = np = 600 0,003 = 1,8 ; P600 (5) =

(1,8)5 e1,8 ,
51
b. P600 (0 ) + P600 (1) + P600 (2 ) + P600 (3) + P600 (4 ) ,
5
c. P = 1 P600 (h ) ,
i =1

d. P = 1 P600 (0 ) .

89
4.5. O urn conine 12 bile dintre care 4 roii, 3 albe i 5 negre. Se extrag dou
bile. S se determine probabilitatea ca ntre cele dou bile extrase s avem
a. o bil roie i una neagr;
b. ambele bile s fie albe;
c. s avem o bil roie i una alb sau o bil alb i una neagr.
Rspuns.
C41C51
a. ,
C122
C32
b. ,
C122
C41C31 C31C51
c. + 2
C122 C12
4.6. mprim primele dousprezece numere naturale n trei grupe a cte patru
numere, i nregistrm fiecare grup pe cte un bilet. Dintr-o urn coninnd
dousprezece bile numerotate de la 1 la 12 , se extrage pe rnd, cte o bil. Se
cere:
a. Probabilitatea ca din ase extrageri patru numere s fie coninute pe acelai
bilet, presupunnd c bilele extrase nu sunt ntoarese n urn.
b. Probabilitatea de a obine cele patru numere ale unui bilet din ase extrageri
presupunnd c dup fiecare extragere bila este rentoars n urn.
(O.M., etapa jud., 1969)
Rspuns.
C82
a. P=3 ;
C126
4 2
1 2
b. P = 3C 4
6 .
3 3
4.7. O urn conine 2 bile albe i 4 negre. Dou persoane scot pe rnd bile. De
fiecare dat bila este repus napoi n urn. Operaia nceteaz la apariia unei
bile albe. S se calculeze probabilitatea ca unul din participani s extrag
primul o bil alb dac nu este scoas de mai multe de 2k ori.
3 2 2 2
2k 2k

Rspuns. P1 = 1 ; P2 = 1 .
5 3 3 3
4.8. [5] ntr-o urn sunt 20 de bile albe i 2 bile negre. Se scot n bile. Care este valoarea
minim x0 a lui n , pentru ca probabilitatea ca ntre bilele extrase s fie cel puin o bil
1
neagr, s fie mai mare ca ?
2

90
 C20n C20n 1 43 925
Rspuns. P = 1 n . Din n < rezult x0 > , deci x0 = 7 .
C22 C22 2 2 4
4.9. [5] De cte ori trebuie s se arunce un zar pentru a avea faa ase cel puin o
dat, cu o posibilitate mai mare dect 0,7 , mai mare dect 0,8 sau mai mare
dect 0,9 ?
1 ln 3 1 ln 2 1
Rspuns. x1 > , x2 > , x3 > , deci x1 = 7 , x2 = 9 , x3 = 13 .
ln 1,2 ln 1,2 ln 1,2
4.10. [5] Valoarea unei diviziuni de pe scala unui ampermetru este de 0,1
amperi. Indicaia aparatului de msur se rotunjete pn la prima diviziune
ntreag. S se determine probabilitatea ca la citire s se comit o eroare mai
mare de 0,02 A.
Rspuns. Eroarea de rotunjire se poate considera ca fiind o variabil aleatoare cu
repartiia uniform pe un interval format de dou diviziuni ntregi consecutive.
1
Deci f ( x ) = = 10 i
0,1
0 , 08

P = P(0,02 < < 0,08) = 10dx = 0,6 .

0 , 02

4.11. S se determine valoarea medie i dispersia unei variabile aleatoare

repartizat uniform n intervalul (2 1,2 + 1) . S se traseze curba de repartiie.
2
1
Rspuns. M ( ) = 2 , D 2 ( ) = .
3
4.12. [8]. Diametrul unui cerc variaz n intervalul (a, b ) . Considernd
diametrul ca o variabil aleatoare uniform repartizat n (a, b ) s se
determine valoarea medie i dispersia suprafeei cercului.

Rspuns. =
2
, M () =
(
a 2 + b 2 + ab
,
)
4 12
2
D 2 ( ) =
720
(b a )
2
( 4b 2
)
+ 7 ab + 4a 4 .
4.13. Valoarea medie i dispersia unei variabile aleatoare repartizat normal
sunt respectiv 1 i 9 . S se determine probabilitatea ca n urma unei probe,
s ia o valoare n intervalul (17,20 ) .
Rspuns.
bm * a m
P(a < < b ) = * ,

deci
91
 P(17 < < 20 ) = * (2 ) * (1) = 0,4772 0,3143 = 0,1629
4.14. Variabila aleatoare este repartizat normal cu M ( ) = 7 i D 2 ( ) = 9 .
S se determine intervalul n care ia valori cu o probabilitate p = 0,9973 .
Rspuns. (m 3, m + 3 ) = ( 2,18) .
4.15. S se demonstreze c dac variabila aleatoare are o repartiie
exponenial negativ, atunci P (a < < b ) = e a e b .
4.16. S se determine valoarea medie i dispersia unei variabile aleatoare care
are o repartiie exponenial negativ.
1 1
Rspuns. M ( ) = , D 2 ( ) = 2 .

92
 5. SISTEME DE VARIABILE ALEATOARE. IRURI DE VARIABILE
ALEATOARE. CONVERGEN

Fie 1 ,..., n , n variabile aleatoare definite pe cmpul de probabilitate

{,, P} .
Definiie. Sistemul (1 ,..., n ) se numete variabil aleatoare
n dimensional sau vector aleator cu n dimensiuni.
Exemple.
1. Punctul de explozie al unui obuz la distan este determinat printr-un ansamblu de
trei variabile aleatoare.
2. La tir, ansamblul de n atingeri ale punctelor care ating inta n plan, poate fi
considerat ca un sistem de 2n variabile aleatoare.
n general putem interpreta variabilele aleatoare n dimensionale ca puncte
aleatorii ntr-un spaiu euclidian cu n dimensiuni. Pe lng aceast imagine se utilizeaz
pentru interpretarea geometric a unui sistem de n variabile aleatoare un vector aleator
n spaiul euclidian cu n dimensiuni.

5.1 Variabile aleatoare bidimensionale discrete

Fie ( , ) o variabil aleatoare definit pe cmpul de probabilitate {, , P} .

Prin distribuia variabilei aleatoare discrete ( , ) vom nelege enumerarea
valorilor posibile ale variabilei, deci a perechilor de numere ( xi , y j )1in i a
1 j m
probabilitilor corespunztoare
({ }{
pij = P ( ) = xi , ( ) = y j })1in (5.1.)
1 j m

Evenimentele { = xi , = y j } formeaz un sistem complet de evenimente, deci

suma tuturor probabilitilor este egal cu 1.
n m
pij = 1 (5.2.)
i =1 j =1
Cunoscnd repartiia variabilei aleatoare ( , ) , putem determina repartiia fiecrei
componente i anume, evenimentele
{ = x1 , = y1} , { = x1 , = y2 } , ..., { = x1 , = ym }
sunt incompatibile i vom nota
p1 = p11 + p12 + ... + p1m . (5.3.)
93
 Aadar
m
pi = pij , (5.4.)
j =1
iar
n
p j = pij . (5.5.)
i =1
vor fi numite i probabiliti marginale ale lui , respectiv .
De obicei, repartiia varabilei discrete ( , ) se scrie sub forma unui tablou cu dubl
intrare, de forma
x1 x2 xi xn

... ...
y1 p11 p21 pi1 pn1

y2 p12 p22 pi 2 pn 2

...
yj p1 j p2 j pij pnj

...
ym p1m p2m pnm

Deci p1 = P ( = x1 ) i reprezint suma probabilitilor de pe coloana lui x1 ; etc.

Repartiiile variabilele i sunt
x1 x2 ... xi ... xn n
:
p1 p2 ... pi
,
pn
pi = 1
i =1
y1 y2 ... yj ... ym m (5.6.)
:
p1
p2 ... p j
,
pm
p j = 1
j =1

Exemplu
Fie repartiia variabilei aleatoare bidimensionale ( , )

-1 0 1 p j

0 0,1 0,3 0,2 0,6

1 0,2 0,1 0,1 0,4
pi 0,3 0,4 0,3 p 1
Probabilitiile marginale sunt
94
 p1 = 0,1 + 0, 2 = 0,3
p2 = 0, 4; p3 = 0,3;
p1 = 0, 6; p2 = 0, 4.
-1 0 1 0 1
: ; : .
0,3 0,4 0,3 0,6 0,4

Repartiii condiionate discrete

Fie variabila bidimensional ( , ) cu repartiia din tabloul 1.

Notm
( )
p xi y j = P = xi = y j , ( ) (5.7.)

Prin repartiia lui condiionat de faptul c = y j , nelegem repartiia

x1 x2 ... xi ... xn
: ,
(
p x1 y j ) p ( x2 yj ) ... (
p xi y j ) ... (
p xn y j )
= y j (5.8.)
unde
(
P = xi = y j )= pij
(
p xi y j = ) ,
(
P = yj ) p j (5.9.)
cu
n
p ( xi y j ) = 1 .
i =1
Analog se poate defini repartiia lui condiionat de faptul c = xi i anume
y1 y2 ... yj ... ym
: ,
p ( y1 xi )

p ( y2 xi ) ... (
p y j xi ) p ( ym xi )
= xi
(5.10.)
unde
pij m
(
p y j xi = ) pi
, p ( y j xi ) = 1 . (5.11.)
j =1

95
 5.2. Funcia de repartiie

n general, o variabil aleatoare cu dou dimensiuni se definete prin funcia sa de

repartiie.
Fie = (, ) o variabil aleatoare cu 2 dimensiuni.
({
Definiie. Funcia F ( x, y ) = P () < x, () < y }) cu ( x, y ) \ 2 se
numete funcie de repartiie a variabilei aleatoare .
Interpretnd sistemul (, ) ca un punct aleator, funcia de repartiie F ( x, y ) nu este
altceva dect probabilitatea ca punctul aleator (, ) s se gseasc n ptratul infinit cu vrful n
punctul ( x, y ) din figura 5.1. Notnd cu F ( x ) i F ( y ) funciile de repartiie ale variabilelor
aleatoare i , n aceeai interpretare F ( x ) reprezint posibilitatea ca punctul aleator s se
afle n semiplanul limitat de dreapta paralel cu Oy ce trece prin punctul de abscis x , la dreapta
dreptei, iar F ( y ) reprezint probabilitatea ca punctul aleator s se gseasc n semiplanul
situat sub dreapta paralel cu Ox , ce trece prin punctul de ordonat y .

Figura 5.1.

Vom da cteva proprieti analoge celor date pentru funciile de repartiie

unidimensionale:
1. F este nedescresctoare n raport cu fiecare argument;
2. F este continu la stnga n raport cu fiecare argument;
3. F ( x, ) = F ( , x ) = F ( , ) = 0 ;
4. F ( x,+ ) = F ( x ) ; F (+ , y ) = F ( y ) ;
5. F (+ ,+ ) = 1 .
n continuare vom nota simbolic (, ) D evenimentul punctul aleator (, )
se gsete n domeniul D . Probabilitatea acestui eveniment se exprim simplu dac D
este un dreptunghi ale crui laturi sunt paralele cu axele de coordonate. Fie dreptunghiul

96
D de vrfuri A(a, c ) ; B(b, c ) ; C (b, d ) ; D(a, d ) . n acest caz evenimentul
(, ) D este echivalent cu {a < b} {c < d }, deci
P((, ) D ) = F (b, d ) F (a, d ) F (b, c ) + F (a, c ) (5.12.)

5.3 Sisteme de variabile absolut continue

2
Dac exist o funcie real f definit i integrabil pe aa nct
x y

F ( x, y ) = f (u, v )dudv , atunci f se numete densitatea de probabilitate

(repartiie) a variabilei aleatoare cu 2 dimensiuni .
Fie , dou variabile aleatoare de tip continuu i (, ) interpretat ca un punct
aleator n plan. Fie dreptunghiul de laturi x i y , avem
P ( ( , ) ) = F ( x + x , y + y ) F ( x + x , y ) .
F ( x , y + y ) + F ( x , y )
Avem
P ( ( , ) ) = F ( x, y ) .
2

lim
x 0 x y xy
y 0

Notm aceast derivat prin f ( x, y )

2 F ( x, y )
f ( x, y ) = (5.13.)
xy
ea fiind tocmai densitatea de probabilitate a variabilei aleatoare .
Avem
P((, ) D ) = f ( x, y )dxdy . (5.14.)
D
Densitatea de repartiie a lui este nenegativ, iar
+ +

f (x, y )dxdy = 1 .

Exemple.
1. Fie variabila aleatoare = (, ) cu , variabile aleatoare independente, a crei
densitate de probabilitate este
1
f ( x, y ) = , ( x, y ) 2

(
1 + x2 1 + y2
2
)( ) .

S se determine
a. Funcia de repartiie corespunztoare.
97
 b. P((, ) D ) , unde D este ptratul construit pe segmentele [0,1] i [0,1] .

Rspuns.
x y x y
1 dudv 1 du dv
F ( x, y ) = 2 = 2 2
=
a.
2
(
1 + u 1 + v 2
)( )
1 + u 1 + v 2
,
1 1 1 1
= arctg x + arctg y +
2 2
1 1
1 dudv 1
b. P((, ) D ) = (1 + u )(1 + v ) = 16
2 0 0
2 2

2. Suprafaa de repartiie a unui sistem de variabile aleatoare (, ) este un con circular

drept, cu baza un cerc de raz R i cu centrul n originea sistemului de coordonate.
S se determine
a. Densitatea de probabilitate a sistemului;
b. Probabilitatea ca un punct aleator s se gseasc n interiorul unui cerc de raz
a , a < R (figura 5.2.).

Figura 5.2.

Rspuns.
a. Expresia densitii de probabilitate n interiorul cercului (C ) , notnd cu h nlimea

conului (figura 5.3.), este f ( x, y ) =

h
R
(
R x2 + y2 . )

98
 Figura 5.3.

3
Alegem pe h aa nct volumul conului s fie egal cu unitatea, h = , deci
R 2
f ( x, y ) =
R
3
3
(
R x2 + y2 . )
b. P ((, ) C ) = f (x, y )dxdy . Trecnd n coordonate polare
C

x = r sin
, 0 r a , 0 2
y = r cos
se obine
a 2 a
3 6
P((, ) C ) = 3 (R r )rdrd = 3 (R r )rdr =
0 0
R R 0
.
2 3
a a
= 3 2
R R

5.4 Repartiii marginale. Repartiii condiionate

Fie ( , ) o variabil aleatoare cu i variabile aleatoare continue i fie

F ( x, y ) funcia de repartiie a variabilei ( , ) i f ( x, y ) densitatea de repartiie.
Definiie Numim repartiie marginal a variabilei , repartiia
F1 ( x ) = P ( <x ) = F ( x, + ) . (5.15.)
Densitatea marginal de repartiie a variabilei este
+
f1 ( x ) = Fx ( x, + ) = f ( x, y )dy .
(5.16.)

99
 Analog definim repartiia marginal, respectiv densitatea marginal de repartiie
a variabilei funciile
F2 ( x ) = P ( <y ) = F ( +, y ) ,
(5. 17.)
i
+
f 2 ( x ) = Fy ( +, y ) = f ( x, y )dx .
(5.18.)

Exemple

1. Fie
2e( 2 x + y ) , x 0, y 0
f ( x, y ) =
0, n rest
densitatea de repartiie a variabilei aleatoare ( , ) .
1) S se scrie funcia de repartiie F ( x, y ) ;
2) S se determine repartiiile i densitiile marginale ale variabilelor i .
Rspuns
Avem

x y xy
( 2u + v )
F ( x, y ) = f (u, v ) dudv = 2 e dudv =
00 00
,
x y
= e
2u

v
du e dv = 1 e ( 2 x
)(1 e )y

0 0
Avem
F1 ( x ) = 1 e2 x , F2 ( y ) = 1 e y , f1 ( x ) = 2e2 x , f 2 ( y ) = e y .

2. Fie
1
F ( x, y ) =
xy ( x + y ) , 0 x 1, 0 y 1.
2
densitatea variabilei aleatoare ( , ) .
S se scrie densitatea de repartiie i densitiile marginale ale variabilelor i .

Rspuns
x + y, 0 x 1,1 y 0,
f ( x, y ) =
0, n rest

100
 1
1 x2 x
f1 ( x ) =
2
xy ( x + y ) dy = + ,
4 6
0
1
1 y2 y
f2 ( y ) =
2xy ( x + y ) dx = + .
4 6
0

Din definiia probabilitii condiionate avem

P ( y1 < < y2 , x1 < < x2 )
P ( y1 < < y2 x1 < < x2 ) =
P ( x1 < < x2 )
de unde
F ( x + x, y ) F ( x, y )
P ( < y x < x < x + x ) =
F ( x + x, + ) F ( x, + )
Trecnd la limit pentru x 0 obinem

y
F ( x, y )
f ( x, y ) dy
G ( y x) = x = = P ( < y = x ) . (5.19.)
F ( x, + ) +

x f ( x, y ) dy

G ( y x ) se numete repartiia variabilei condiionat de faptul c = x .
Analog, repartiia variabilei condiionat de faptul c = y este
H ( x y ) = P ( < y = y ) . (5.20.)
Densitile de repartiie condiionate sunt

g ( y x) = G ( y x) , (5.21.)
y
i
(5.22.)
h( x y) = H ( x y) .
x
innd seama de repartiiile marginale avem
f ( x, y ) (5.23.)
g ( y x) = ,
f1 ( x )
i
f ( x, y ) (5.24.)
h( x y) = .
f2 ( y )
Din ultimele relaii rezult c

f ( x, y ) = f1 ( x ) g ( y x ) = f 2 ( y ) h ( x y ) . (5.25.)

relaii care nu sunt valabile i pentru funciile de repartiie.

101
 Definiie Vom spune c variabilele i sunt independente dac
F ( x, y ) = F1 ( x ) F2 ( y ) ,
(5.26.)

De aici rezult i
f ( x, y ) = f1 ( x ) f 2 ( y ) .
(5.27.)

Deci pentru i independente

g ( y x ) = f2 ( y ) ,
(5.28.)

iar
h ( x y ) = f1 ( x ) .
(5.29.)

Exemple

1. Fie sistemul de variabile aleatoare (, ) a crui densitate de probabilitate este

f ( x, y ) i fie 1 = i 2 = + . S se determine densitatea de probabilitate a
lui 1 i 2 .
Rspuns. Ne vom fixa o valoare a lui z i vom construi n planul xOy curba de ecuaie
xy = z (hiperbola care are ca asimptote axele de coordonate). Domeniul D este cel
haurat din figura 5.4.

Figura 5.4.

Funcia de repartiie a lui 1 se scrie

102
 z
0 + + x
F ( z ) = f ( x, y )dxdy = f (x, y )dxdy + f (x, y )dxdy .
1
D z 0
x
Derivnd aceast expresie n raport cu z obinem

0 +
1 z 1 z
f 1 ( z ) = x f x, x dx + x f x, x dx . (5.30.)
0

Pentru determinarea densitii de probabilitate a lui 2 vom trasa n planul xOy

dreapta de ecuaie x + y = z (figura 5.5.). Domeniul D este cel haurat.

Figura 5.5.

Avem
+ z x

F 2 ( z ) = f ( x, y )dxdy = f (x, y )dxdy =

D
, (5.31.)
zx
+

= f (x, y )dy dx

Derivnd aceast expresie n raport cu z (care figureaz la limita superioar a
integralei a doua) obinem
+
f 2 (x ) = f (x, z x )dx . (5.32.)

Din cauza simetriei sumei + aceast formul se poate scrie
+
f 2 ( x ) = f ( z y, y ) dy , (5.33.)

n aplicaii practice practice cazul n care i sunt independente este foarte
important.

103
 Fie i dou variabile aleatoare independente cu densitile de probabilitate
f ( x ) i f ( x ) . Avem f ( x, y ) = f ( x ) f ( y ) .
S determinm densitatea de probabilitate a variabilei aleatoare 2 = + n
acest caz (5.32.) i (5.33. ) se scriu
+
f 2 (z ) = f (x ) f (z x )dx ,
(5.34.)

+
f 2 (z ) = f (z y ) f ( y )dy .
(5.35.)

Pentru desemnarea compunerii celor dou legi de probabilitate utilizm notaia
simbolic
f 2 = f f
unde este simbolul de compunere (convoluie).

2. Fie variabilele aleatoare i independente, cu densitile de probabilitate

(uniforme n [a, b ] )
0 pentru x [a, b ]

f (x ) = f (x ) = 1 .
b a pentru x [a, b ]

S se determine densitatea de repartiie a variabilei aleatoare = + .
Rspuns. Avem
b b
1
f ( z ) = f ( x ) f ( z x )dx = f ( z x )dx
a
b a a
i
b z a

f (z x )dx = f (t )dt , 2a z 2b .
a

z b

Dac z b < a , atunci z a < b i

z a a za
z 2a
f (t )dt = f (t )dt + f (t )dt = b a .
z b

z b

a

Dac z b > a , atunci z a > b i

z a b za
2b z
f (t )dt = f (t )dt + f (t )dt = b a .
z b z b b
Rezult

104
 0 pentru z 2a

z 2a pentru 2a < z a + b
(b a )2
f (z ) = .
2b a pentru a + b < z 2b
(b a )2

0 pentru z > 2b
Aceast densitate de probabilitate se numete legea de repartiie a lui Simpson.
3. Fie variabilele aleatoare i independente, cu densitile de probabilitate
0 pentru x 0
f (x ) = f (x ) = x .
e pentru x > 0

S se arate c 1 = + i 2 = sunt independente.

Rspuns.
Avem
F (u , v ) = P (1 < u , 2 < v ) = f (u ) f (v )dudv =

x + y <u
x
<v
y

uv uv
1+ v u z 1+ v x 1+ 1v
e e u dx = ,
e
x y
= e dxdy =

0 x 0
v

=
v
1+ v
[
1 (1 + u )e u ]
z z u

F1 ( x ) = f (u ) f (v )dudv = e
u v
e dudv =
x+ y< z 0 0
,
z
= e 1 e u
( uz
)du = 1 (1 + z )e z

0

z
F 2 ( x ) = f (u ) f (v )dudv = e e dudv =
u v
.
x 0 u
1+ z
<z
y z

Rezult c F (u , v ) = F (u )F (v ) .
1 2

105
 5. 5 Valori medii. Medii condiionate

Fie variabila aleatoare ( , ) care are densitatea de probabilitate f ( x, y ) .

Definiie Se numete moment de ordinul hk, h, k ` a variabilei aleatoare
( , ) expresia
+ +
hk = M ( h k
)= x y f ( x, y ) dxdy .
h k
(5.36.)

Observaii
Pentru h = 0, k = 0 obinem 00 = 1 , iar pentru h = 1, k = 0 obinem 10 = M ( ) i
de asemenea pentru h = 0, k = 1 rezult 01 = M ( ) .
Analog se definesc momentele centrate de ordinul hk
hk = M ( 10 ) ( 01 ) ,
h k

deci
+ +

( 10 ) ( 01 )k f ( x, y ) dxdy .
h
hk = (5.37.)

Observaie
Pentru h = 1, k = 1 obinem 11 = cov ( , ) ,pentru h = 2, k = 0 obinem 20 = D 2 ( )
iar pentru h = 0, k = 2, 02 = D 2 ( ) gsim 02 = D 2 ( ) .
Repartiiilor condiionate le asociem valori medii condiionate i anume
Definiie Numim valoare medie a variabilei aleatoare condiionat de faptul c
= y expresia
+
M ( y ) = xf ( x y ) dx , (5.38.)

analog
+
M ( x ) = yg ( y x ) dy , (5.39.)

iar dispersiile condiionate sunt
+
2
( y ) = x M ( y ) f ( x y ) dx ,
2
D (5.40.)

i

106
 +
2
D ( x ) = y M ( x ) g ( y x ) dy .
2
(5.41.)

Dac ( , ) este o variabil aleatoare bidimensional discret avem urmtoarele :

pentru = x fixat M ( y ) , D 2 ( y ) sunt parametrii variabilei condiionat de
= x , dac considerm x variabil atunci M ( y ) , D 2 ( y ) sunt variabile aleatoare
(funcii variabile de ), deci putem calcula valorile lor medii i dispersia.
Teorem. Avem
M M ( ) = M ( )
ntr-adevr din
+
M ( ) = yg ( y x ) dy ,

rezult
+ + +

M M ( ) = M yg ( y x ) dy = yg ( y x ) dy f ( x )

dar
g ( y x ) f ( x ) = f ( x, y ) ,
aadar
+ +
M M ( ) = yf ( x, y ) dxdy = M ( ) .

Deci media dup toi x a mediei variabilei cu x fixat este media necondiionat a
variabilei aleatoare .

Exemplu 1. Fie
e( + y ) x , x > 0, y > 0
f ( x, y ) = ,
0, x < 0, sau y < 0
densitatea de repartiie a variabilei aleatoare bidimensionale ( , ) . S se calculeze
f ( x ) , g ( y ) , f ( x y ) i M ( x ) .

Rspuns Avem
+
( + y ) x
f ( x ) = xe dy = e x , x > 0 ,
0
107
 deci
e x , x > 0,
f ( x ) = ,
0, x < 0.
iar
+
( + y ) x
g ( y ) = xe dx =
( + y )2
,y>0,
0
atunci

, y > 0,
g ( x ) = ( + y )
2
,

0, y < 0.
iar
f ( x, y ) x + y )2 e( + y ) x ,
= (
x > 0,
f ( x y) = ,
g ( y ) 0, x < 0.
i
+
2
M ( y ) = xf ( x y ) dx = + y .
0

Exemplu 2. Fie densitatea de repartiie a variabilei aleatoare bidimensionale ( , )

2 xy
x + 0 < x < 1, 0 < y < 2
f ( x, y ) = 3 ,
0, n rest

1 1 1
S se calculeze P , P ( < ) , P < < .
2 2 2
Rspuns
1 1 1
P = 1 P < = 1 F1 ,
2 2 2
iar
+ 2
xy 2
f1 ( x ) =
f ( x, y ) dy = x 2 + dy = 2 x 2 + x ,
3 3
0
i
+ x
F1 ( x ) =


2 1
f1 ( u ) du = 2u 2 + u du = 2 x3 + x 2 ,
3 3
( )
0
1
F1 ( x ) = ,
6
deci

108
 1 1 5
P = 1 = .
2 6 6

P ( < ) = f ( x, y ) dxdy .
D

unde D este domeniul haurat din figur

1 1 1
P = 1 P < = 1 F1 .
2 2 2

Deci
1x
2 xy 2 xy 7
P ( < ) = x + 3 dxdy =
x+ dxdy =
3 24
.
D 00

1 1 1 1
P < , < F ,
1 1 2 2 2 2
P < < = = ,
2 2 1 1
P < F1
2 2
iar
0, x < 0, y < 0
x y 3 2 2
x y x y
F ( x, y ) = f ( x, y ) dxdy =
3
+
12
, 0 < x < 1, 0 < y < 2

1, x 1, y 2.

109
 1 1 5
F , = ,
2 2 192
deci
1 1 5
P < < = .
2 2 32

Exemplu 3
Dac f ( x, y ) este densitatea de repartiie a variabilei aleatoare bidimensionale
( , ) s se scrie P ( > ) , P ( > ) i P ( > 1) .
Rspuns
P ( > ) = f ( x, y ) dxdy ,
D1
unde D1 este domeniul din figura urmtoare

y x=y

D1

P ( > ) = f ( x, y ) dxdy ,
D2

unde D2 este domeniul haurat din figura urmtoare

110
 x=y

D2

x = y

P ( > 1) = P ( > + 1) = f ( x, y ) dxdy .

D3
unde D3 este domeniul haurat din figura urmtoare

D3

1
-1
x

5.6 Variabile aleatoare n dimensionale

Fie variabila aleatoare n dimensional = (1 ,..., n ) .

Definiie. Funcia
F ( x1 ,..., xn ) = P({ 1 () < x1 ,..., n () < xn })
unde ( x1 ,..., xn ) \ n , se numete funcia de repartiie a variabilei aleatoare .

111
 Pentru aceste funcii avem proprieti analoge celor date pentru funcii de repartiie
unidimensionale. Amintim
1. F este nedescresctoare n raport cu fiecare argument.
2. F este continu la stnga n raport cu fiecare argument.
3. F ( x1 ,..., xn ) = 0 dac exist cel puin un indice i , ( i = 1,..., n ) pentru care
xi = .
4. F (+ ,...,+ ) = 1 .
Dac exist o funcie real f definit i integrabil pe \ n aa nct
x1 xn

F ( x1 ,..., xn ) = ... f (u ,..., u )du ...du

1 n 1 n
(5.42.)

atunci f se numete densitatea de probabilitate (repartiie) a variabilei aleatoare
n dimensionale .
Avem

n F ( x1 ,..., xn )
f ( x1 ,..., xn ) = , (5.43.)
x1...xn
f ( x1 ,..., xn ) 0 ,
+ +
(5.44.)
... f (u1,..., un )du1...dun = 1 .

Definiie. Spunem c variabilele aleatoare 1 ,..., n sunt independente, dac

pentru toate sistemele reale x1 ,..., xn avem
P(1 < x1 ,..., n < xn ) = P(1 < x1 )...P( n < xn ) .
Dac 1 ,..., n sunt independente i admit fiecare o densitate de probabilitate
f 1 ( x ),..., f n ( x ) , atunci
f ( x1 ,..., xn ) = f 1 ( x1 )... f n (xn ) (5.45.)
i
F ( x1 ,..., xn ) = F1 ( x1 )...F n ( xn ) (5.46.)
Probabilitatea ca un punct aleator (1 ,..., n ) s se afle ntr-un domeniu D din
spaiul euclidian n dimensional este
P((1 ,..., n ) D ) = ... f ( x1 ,..., xn )dx1...dxn . (5.47.)
D

112
 5.7 Caracteristici numerice ale sistemelor de dou variabile aleatoare.
Covarian. Coeficient de corelaie

Fie variabila aleatoare cu dou dimensiuni = (, ) .

( )
Definiie. Vom numi k , s = M k s moment iniial de ordin k, s , al sistemului
(, ) . Vom numi moment centrat de ordinul k, s al sistemului (, ) numrul
k , s = M ([ M ( )] [ M ()] )
k s

Avem
+ +
k ,s = x
k
y s f ( x, y )dxdy , (5.48.)

+ +

(x M ( )) ( y M ()) f (x, y )dxdy

k s
k ,s = (5.49.)

formule care n cazul variabilelor aleatoare discrete devin
k ,s = xik y sj pij ,
i j
(5.50.)

k , s = ( xi M ( )) ( y j M ()) pij .
k s
(5.51.)
i j
Avem
( )
1,0 = M 10 = M ( )
0,1 = M ( ) = M () . 0 1

Un rol important n teoria sistemelor de variabile aleatoare l are covariana.

Definiie. Numim corelaie sau covarian a variabilelor aleatoare i
valoarea
cov(, ) = M ([ M ( )] [ M ()]) . (5.52.)
Efectund calculul i innd seama de proprietile valorii medii rezult
cov(, ) = M () M ( )M () . (5.53)
Covariana este o caracteristic a sistemului care descrie, pe lng dispersie,
legtura dintre ele. Se arat cu uurin c dac i sunt independente, covariana lor
este nul (vezi 5.52.).
Pentru caracterizarea legturii dintre variabilele aleatoare i vom utiliza
coeficientul de corelaie.
Definiie. Se numete coeficient de corelaie al variabilelor aleatoare i
raportul
cov(, )
r , = . (5.54.)
D( )D()

113
 Este evident c dac i sunt independente, r, = 0 .
Dou variabile aleatoare sunt necorelate dac r, = 0 .
Rezult c dou variabile aleatoare independente sunt necorelate. Reciproca acestei
afirmaii nu este adevrat.
Exemplu. Fie = {1 , 2 , 3 , 4 } unde i , i = 1,2,3,4 sunt puncte din plan
de coordonate: 1 (0,1) ; 2 (0,2 ) ; 3 (0, k ) ; 4 (4,1) . Definim pe variabilele
aleatoare
0 4
:
p1 + p2 + p3 p4
i
1 2 k
:
p1 + p4 p2 p3
4
unde pi = P (i ) , p i = 1 . Avem M ( ) = 4 p4 i M ( ) = p1 + 2 p2 + kp3 + p4 .
i =1
Pentru variabila aleatoare ,
0 4 8 4k
: ,
p1 + p2 + p3 p4 0 0
alegem pe k aa nct M () M ( )M () = 0 deci
4 p4 4 p4 ( p1 + 2 p2 + kp3 + p4 ) = 0 ,
de unde rezult
1 p1 2 p2 4 p3 p2
k= =
p3 p3
deci i sunt necorelate.
S artm c nu sunt independente. Avem
P( = 0, = 1) = P(1 ) = p1 ,
P ( = 0 ) = p1 + p2 + p3 ,
P( = 1) = p1 + p4 .
4
Alegnd numerele pi aa nct pi > 0 , i = 1,2,3,4 , pi =1
i = 1 i

p1 ( p1 + p4 )( p1 + p2 + p3 )
rezult c
P( = 0, = 1) P( = 0 ) P( = 1) ,
deci i nu sunt independente.

114
 Proprieti ale coeficientului de corelaie:

1. Fie D ( ) D ( ) 0 , atunci r, = 0 dac i numai dac variabilele i sunt

necorelate.
Demonstraia este imediat, innd seama de definiiile date.
2. Pentru orice dou variabile aleatoare avem r2, 1 .
Aplicnd inegalitatea lui Schwartz avem
M ([ M ( )] [ M ()])

( ) (
M [ M ( )] M [ M ()] = D( )D()
2 2
)
de unde rezult proprietatea enunat.
3. Dac r2, = 1 , atunci ntre i exist o dependen liniar.
Fie a, b \ arbitrare i
(
g (a, b ) = M (a[ M ( )] + b[ M ()])2 = ) .
= a 2 D 2 ( ) + 2ab cov(, ) + b 2 D 2 () 0
Lum aici a = r, D () , b = D ( ) i inem seama c r2, = 1 . Obinem
(
M ( D()( M ( )) + D( )( M ())) = 0
2
)
deci
D()( M ( )) + D( )( M ()) = 0
Definiie. Se numesc drepte de regresie ale variabilelor aleatoare i dreptele
x M ( ) y M ()
= cov(, ) , (5.55.)
D ( )
2
D 2 ()
y M () x M ( )
= cov(, ) . (5.56.)
D ()
2
D 2 ( )
Aceste drepte trec prin punctul (M ( ), M ()) i au numeroase aplicaii n
statistica matematic.

Exemple.
1 1 1 2
1. Se consider variabilele aleatoare : 1 1 i : 2 1 . Se cere s se

2 2 3 3
calculeze
a. P ( = 1, = 2 ) ; P( = 1, = 1) ; P( = 1, = 2) , dac
P( = 1, = 1) = .
b. Coeficientul de corelaie n funcie de .
115
 c. Valorile lui pentru care i sunt independente.
Rspuns.
a. Avem
P( = 1, = 2) + P( = 1, = 1) = P( = 1) ,
P( = 1, = 1) + P( = 1, = 1) = P( = 1) ,
P( = 1, = 2) + P( = 1, = 1) = P( = 1)
1 2
de unde P ( = 1, = 2 ) = , P ( = 1, = 1) = i
2 3
( = 1, = 2) = 1 ,
6
deci

1 1 P ( = yi )

2 2
1
3 3
1 1 1
2
2 6 3
1 1
P ( = xi ) 1
2 2

( )
M () = xi y j P = xi , = y j =
i, j
.
2 1 1
= 2 + 2 = 6 2
3 2 6

trebuie astfel ales nct toate probabilitile s fie cuprinse ntre 0 i 1 deci
2 1 1
0 1 , 0 1, 0 1, 0 1,
3 2 6
1 1
de unde ceea ce implic
6 2
M () 1 .
M () M ( )M ()
b. r , = .
D( )D()
Avem

116
 M ( ) = 0 , M () = 0 , D 2 ( ) = 1 , D 2 () = 2 ,
deci
6 2
r , = .
2
1 1
Deoarece rezult
6 2
1
r, .
12
1
c. Pentru = , i sunt independente.
3

2. [5] Se consider variabila aleatoare (, ) cu distribuia din tabelul urmtor

xk
1 2 3 4 5 P( = yk )
yk
1 1 1 1 1
1 0
12 24 24 30 5
1 1 1 1 1 1
2
24 24 24 24 30 5
1 1 1 1 1
3 0
12 24 24 30 5
1 1 1 1 1
4 0
12 24 24 30 5
1 1 1 1 1 1
5
24 24 24 24 30 5
1 1 1 1 1
P( = xk ) 1
3 6 6 6 6
S se determine dreptele de regresie.

Rspuns.
5
16 8
M ( ) = xk P( = xk ) = = ,
k =1 6 3
5
15
M () = yk P( = yk ) = = 3,
k =1 5
D( ) = 1,49 , D() = 1,41 , r , = 0,06 .

117
 Dreapta de regresie a lui asupra lui este (5.21.) i n cazul nostru
y 3 = 15,7( x 2,66) .
Dreapta de regresie a lui asupra lui va fi
y 3 = 0,056( x 2,26 ) .

5.8. iruri de variabile aleatoare

Fie {,, P} un cmp de probabilitate i mulimea variabilelor aleatoare

definite pe acest cmp. Ne propunem n continuare s studiem diferite tipuri de
convergen ale irurilor de variabile aleatoare i relaiile care exist ntre ele.

5.8.1. Convergena n probabilitate

Definiie. Spunem c irul de variabile aleatoare (n )n`* converge n

probabilitate ctre variabila aleatoare dac pentru orice numere > 0 , > 0 ,
exist numrul natural N (, ) aa nct pentru n > N (, ) s avem
({
P n () () < . }) (5.57.)
n acest caz vom nota n

P
.
Propoziia 5.1. Condiia necesar i suficient ca irul de variabile aleatoare
( n )n`* s convearg n probabilitate ctre variabila aleatoare , este ca pentru

orice > 0 s existe numrul natural N ( ) aa nct pentru n > N ( ) s avem
({
lim P n () () = 0 .
n
}) (5.58.)
Demonstraie. Dac n
P
, cum n (5.23) este arbitrar, putem lua =
i obinem (5.58).
Reciproc. Dac are loc relaia (5.58), i fiind dai, dac < exist un
numr natural N ` aa nct pentru n > N1 s avem
({ })
P n () () < < .
Dac < , exist un numr natural N 2 aa nct pentru n > N 2 s avem
({ }) ({
P n () () P n () () < . })
Propoziia 5.2. Dac irul de variabile aleatoare (n )n`* converge n
probabilitate ctre variabila aleatoare i ctre variabila aleatoare , atunci
P({ () ()}) = 0 .

118
 Demonstraie. Avem n + n , deci
{ () () }

() n () () n ()
2 2
de unde
({
P () () })

P () n () + P () n ()
2 2
Dar n

P
, n

P
({
deci P () () < 2 , ceea ce arat })
({
c P () () = 0 . })
Propoziia 5.3. Fie irurile de variabile aleatoare ( n )n * i (n )n * . Dac
n
, n , atunci
P P

a n + b n

P
a + b ,
unde a i b sunt dou constante reale.
Demonstraie. Avem
{ (a () b ()) (a() + b()) }
n n

a n () () b n () () =
2 2

= n () () n () ()
2 a 2 b
de unde

({
P ( a n ( ) b n ( ) ) ( a ( ) + b ( ) ) })

P n ( ) ( ) + P n ( ) ( )
2 a 2 b

i cum n
i n propoziia este demonstrat.
P P

Exemple.
1. Fie ( n )n * un ir de variabile aleatoare Poisson, independente cu M ( k ) = k i
1 n 1 n
fie k = k
n k =1
. S se arate c dac exist lim
n n
k =1
k = , atunci irul de

variabile aleatoare (n )n * converge n probabilitate ctre .

119
Rspuns. Avem D ( k ) = M ( k ) ,
1 1 + ... + n
D(n ) = M (n ) =
n n
1 + ... + n
i cum lim = , rezult c lim D(n ) = 0 .
n n n

Inegalitatea lui Cebev ne d

D 2 (n )
({
P n () < })2
de unde
({ })
lim P n () = 0 .
n

2. [5] Fie ( n )n`* un ir de variabile aleatoare a cror densitate de repartiie este

0 pentru x 0
1
f n ( x ) = 1 x , c > 0, 0<< . Notnd cu
e
ck pentru x > 0 2
ck
1 n cn
n = k , s se arate c irul de variabile aleatoare n
n k =1 + 1 n`*
converge n probabilitate ctre zero.
( )
Rspuns. Avem M ( k ) = ck , M k2 = 2c 2 k 2 , D 2 ( k ) = c 2 k 2 i
cn 1 n 2 c2 n
D 2 n = 2 D (k ) = 2 k 2 .
+ 1 n k =1 n k =1
1 n 1 1
Dar lim 2 +1 k 2 = , 0 < < , deci
n n
k =1 2 + 1 2
cn 1 1 n
lim D 2 n = c 2 lim 1 2 2 +1 k 2 = 0 .
n
+ 1 n n n k =1

Din inegalitile

120
 cn
P n
+1

cn cn

P n M n >
+ 1 + 1 2

cn
4 D 2 n
+ 1

2
rezult
cn P
n 0 .
+ 1

5.8.2. Convergena aproape sigur

Fie ( n )n * un ir de variabile aleatoare.

Vom spune c o anumit proprietate are loc aproape sigur pe dac
probabilitatea nerealizrii evenimentului corespunztor proprietii considerate este nul.
Definiie. irul de variabile aleatoare ( n )n * converge aproape sigur ctre
{ }
variabila aleatoare dac n () nu tinde ctre () este un eveniment din
de probabilitate zero.
Propoziia 5.4. Condiia necesar i suficient ca irul ( n )n * de variabile
aleatoare s convearg aproape sigur ctre variabila aleatoare este ca

{
lim P n + p () ()
n
} = 0 (5.59.)
p =0
pentru orice > 0 .
Demonstraie. Dac (n )n * converge aproape sigur ctre , notnd cu
{
A = n () converge ctre ()} conform definiiei convergenei unui ir de
numere reale avem

{ }

A = n + p () () < .
> 0 n =1 p = 0

(n )nN *
a.s.
() dac i numai dac P( A) = 1 .
Din relaia

121
 { }

A n + p () () < ,
n =1 p = 0

rezult, n virtutea proprietii (P12),

{
P( A) lim P n + p () () <
n
} .
p=0
Trecnd la evenimente complementare i innd seama c P ( A) = 1 se obine
relaia din enun.
1
Reciproc. Scriind relaia din enun pentru = , k *
avem
k

1
A = n + p () () < ,
k =1 n =1 p = 0 k
rezult,
1
P( A) = lim lim P n + p () () < .
k n
p =0 k
Prin ipotez irul din membrul doi este n mod constant 1 n raport cu k , deci
P ( A) = 1 .
Exemplu. [4] Fie (n )n * un ir de variabile aleatoare avnd repartiiile
2r
2
n 0 n r
n : 1 1 1 , r > 0, n
*
. S se arate c (n )n * converge
2 1 2
2n n 2n 2
aproape sigur ctre zero.

{ }

Rspuns. Fie A j , = j () , Bn , = A j , , BnC, = A C
j , . Avem
j=n j=n

( ) C
( ) ({ })

P B = P An, P A j , = P j () > .
C
n,
C

j=n j =n j=n

Din definiia irului ( n )n * urmeaz c pentru n 1 , < 1 ,

({
})
2 2
1
P j () > = P j () = j r + P j () = j r = ,
j

deci

P(Bn , )
1
0
j =n j 2 n
i

122

{
lim P(Bn, ) = lim P j ()
n n
} = 1.
j =n

5.8.3. Convergena n repartiie

Definiie. irul de variabile aleatoare ( n )n * converge n repartiie (n sens

Bernoulli) ctre variabila aleatoare (notm n

r
) dac n orice punct de
continuitate x0 al funciei de repartiie F a lui avem
lim Fn ( x0 ) = F ( x0 ) , (5.60.)
n

unde Fn este funcia de repartiie a variabilei aleatoare n , n *

.
Propoziia 5.5. Dac irul de variabile aleatoare (n )n * converge n
probabilitate ctre , atunci el converge n repartiie ctre .
Demonstraie. Fie Fn funcia de repartiie a variabilei aleatoare n , n *
, F
funcia de repartiie a variabilei aleatoare . Dac x0 este un punct de continuitate al lui
F , pentru orice > 0 , exist > 0 aa nct F ( x0 + ) F (x0 ) . Din
F ( x0 ) = P ({ () < x0 }) =
= P ({ () < x0 } { n () < x0 }) +
+ P ({ () < x0 } { n () x0 }) = .
= Fn ( x0 ) + P ({ () < x0 } { n () x0 })
({
Fn ( x0 ) + P n () () })
innd seama de faptul c irul converge n probabilitate ctre , rezult
F ( x0 ) lim Fn ( x0 ) . Analog obinem F ( x0 + ) lim Fn ( x0 ) . Din aceste
n n

inegaliti rezult lim Fn ( x0 ) = F ( x0 ) .

n
Reciproca nu este adevrat.
Propoziia 5.6. Dac irul de variabile aleatoare ( n )n * converge n repartiie
ctre variabila aleatoare i dac
P({ () = }) = 1 , = constant, (5.61.)
atunci n
.
P

Demonstraie. Notnd prin F funcia de repartiie corespunztoare variabilei

aleatoare avem

123
 0 pentru x
F (x ) = ,
1 pentru x >
deci este singurul punct de discontinuitate al lui F . Avem
({ }) ({
P n () = 1 P n () < = })
= 1 P({ < n () < + }) =
= 1 [P({ n () < + })
P({ n () })] =
= 1 Fn ( + ) + Fn ( + 0 )

1 Fn ( + ) + Fn =
2

= Fn ( + ) Fn Fn ( + ) +
2

+ Fn
2
de unde
({ })
lim P n () = 0 .
n

De aici rezult c dac (n )n`*

r
i dac (n )n`*
r
0 , atunci
(n )n`* .
P

Exemple.
1. Fie ( n )n`* un ir de variabile aleatoare pentru care lim P ( n < x ) = F ( x ) , cu
n

F funcie de repartiie continu i fie irul de variabile aleatoare (n )n`*

convergent n probabilitate ctre 1 . S se arate c lim P n < x = F ( x ) .
n
n
Rspuns. Notm {
An, = n () 1 > , } pentru orice >0 i
()
Bn = n < x . Atunci
n ()
( )
P(Bn ) = P( An , )PAn , (Bn ) + P AnC, PAC (Bn ) .
n ,

Pe mulimea An , , n () > 1 + , sau n () < 1 ; avem

P( n < x(1 )) PAn , (Bn ) P( n < x(1 + )) .

124
 ( ) ( )
De asemenea, lim P An , = 1 , lim P AnC, = 0 , deoarece
n n

lim PAn, (Bn ) lim P(Bn ) lim P(Bn ) lim PAn , (Bn ) .
n n n n

Rezult,
F ( x(1 )) lim P(Bn ) lim P(Bn ) F ( x(1 + )) .
n n

fiind arbitrar, rezult c irul P(Bn ) este convergent i

lim P n < x = F ( x ) .
n
n
2. S se arate c, convergena n repartiie nu implic convergena n probabilitate.
0 1
Rspuns. Fie variabila aleatoare cu distribuia : 1 1 i fie variabila aleatoare

2 2
= 1 . Variabilele i au aceeai funcie de repartiie,
1
F ( x ) = [{(x ) + ( x 1)}], x \ i = 1 , indiferent de valoarea variabilei
2
aleatoare .
Definim irul de variabile aleatoare ( n )n`* unde n = . Rezult c ( n )n`*
converge n repartiie ctre ( n i au aceeai repartiie).
Deoarece n () () = () () = 1 pentru orice , rezult c
(n )n`* nu converge n probabilitate.

5.8.4. Convergena n medie

Definiie. irul de variabile aleatoare ( n )n`* converge n medie de ordinul r

ctre variabila aleatoare , dac exist momentele absolute M n ( ) ( n ` ),
r *

M ( ) i dac
r

(
lim M n = 0 .
n
r
) (5.62.)
Propoziia 5.8. Dac irul de variabile aleatoare ( n )n`* converge n medie de
ordinul r ctre variabila aleatoare , atunci el converge n probabilitate ctre .
Demonstraie. Vom face demonstraia procednd prin reducere la absurd.
P
Presupunem c n

r
i n
/ . Atunci exist > 0 , > 0 i un ir de
({ })
numere naturale ni aa nct P ni () () pentru orice i ` .

125
 Dac notm {
A = ni () () , } = A AC , atunci

M ni r i . Inegalitatea contrazice faptul c n

r

r
.

Proprietatea invers nu are totdeauna loc. De exemplu, fie irul de variabile
nn 0
aleatoare ( n )n * unde n : 1 1 . Oricare ar fi > 0 i > 0
1
2 2
1 2
2n
2n n
exist N (, ) aa nct P n () > =
1
2n 2
({ })
, ndat ce n > N (, ) deci

irul ( n )n * converge n probabilitate ctre zero. Fie

(
M n 0
2
) = M ( ) = 0 1 n1 + n 21n
2
n 2
2
2
+ n2
1
2n 2
=1

deci ( n )n * nu converge n medie de ordinul doi ctre zero.

Exemplu. [5] Fie ( n )n * un ir de variabile aleatoare independente dou cte
dou cu aceeai funcie de repartiie F . Dac sunt ndeplinite condiiile
n
1. lim xdF ( x ) = 0 ,
n
n

2. lim xF ( x ) = lim x(1 F ( x )) = 0 ,

n n

1 n
atunci irul de variabile aleatoare (n )n * , unde n = k , converge n medie de
n k =1
ordinul al doilea.
k pentru k n 1 n
Rspuns. Notm n , k = , *n = n,k . Avem
n k =1
0 altfel

({ }) P({ () > n}) =

n
P n () *n () k
k =1

= n[F ( n ) + (1 F (n ))]
dar innd seama de condiia 2. Rezult lim P n () *n () = 0 , deci
n
({ })
n

P
0 dac *n

P
0.
innd seama de inegalitatea
({ }) ({ }) ( )
P n () > P *n () + P n () *n () ,
rezult c lim P ({ () > }) = 0 dac lim P ({ () }) = 0 .
n
*
n
n n
Din 1. rezult
126
 n

n
( )
lim M = lim xdF ( x ) = 0
*
n
n
n
i
n k ( k 1)

( )
D 2 *n
1 2
n n
x dF ( x )
1 n 2

n k =1 k1
k dF ( x ) +
1 n 2
k
n k =1 dF (x ) =
k
n
1
= k 2 [(1 F (k 1)) (1 F (k )) + F ( k + 1) F ( k )]
n k =1

( )
sau D 2 *n
1 n 1

n k =0
[1 F (k ) + F ( k )](2k + 1) , iar din 2. rezult nlim

( )
D 2 *n = 0 .

5.8.5. Legea numerelor mari

n teoria probabilitilor legtura ntre frecven ca variabil aleatoare i

probabilitate este dat de:
Legea numerelor mari. Fie ( n )n`* un ir de variabile aleatoare independente
care au aceeai funcie de repartiie, deci au aceeai medie m i aceeai dispersie 2 .
1 n
Pentru orice > 0 probabilitatea evenimentului i ( ) m converge
n i =1
n probabilitate ctre 0 cnd n , adic
1 n
lim P i () m = 0 . (5.63.)
n
n i =1
Demonstraie. Avem
1 n 1 n 1 n
M i = M (i ) = m = m
n i =1 n i =1 n i =1
Aplicnd inegalitatea lui Cebev, obinem
21
n

1 n
D
n i =1
i ( )

P i ( ) m <
n i =1 2

dar
1 n 1 n
2
D 2 i ( ) = 2 2 =
n i =1 n i =1 n
deci
1 n 2
P i () m < 2 .
n i =1 n

127
 Dac aplicm legea numerelor mari unui ir ( n )n`* de variabile aleatoare
1 n
bernoulliene independente, atunci suma
n i =1
i reprezint frecvena relativ
n
de

realizare a unui anumit eveniment A , unde este numrul de realizri ale

evenimentului A n n experimente independente succesive. Din (5.63.) deducem

lim P p = 0 .
n
n
Acest rezultat clasic este cunoscut sub numele de:
Teorema lui Bernoulli. Frecvena relativ converge n probabilitate ctre
probabilitate (n aceast formulare cuvntul probabilitate intervine n dou sensuri
diferite).
O generalizare a teoremei lui Bernoulli este:
Teorema lui Poisson. Dac notm prin numrul de apariii ale unui eveniment
A n n experimente independente, cu pk probabilitatea de realizare a evenimentului
p1 + ... + pn
A n experimentul de rang k , k `* , atunci exist lim = p i
n n

* converge n probabilitate ctre p .
n n`
Demonstraie. Atam experimentului de rang k , variabila aleatoare k care ia
valoarea 1 sau 0 respectiv cu probabilitile pk i qk = 1 pk , dup cum n acest
n

experiment s-a produs sau nu A . Avem =
k =1
k iar
n
reprezint valoarea luat

1 n
experimental de variabila aleatoare n = k .
n k =1
Avem
1 n 1 n 1 n
M (n ) = M k = M ( k ) = pk ,
n k =1 n k =1 n k =1

(
D 2 (n ) = M [n M (n )] =
2
) 1 n
p k qk .
n 2 k =1
Inegalitatea lui Cebev se scrie
1 n 1 n
P pk < 1 2 2 pk qk ,
n n k =1 n k =1
n
1 n
unde pk 0 , qk 0 , pk + qk = 1 , deci pk qk i pk qk . Rezult
4 k 1 4

128
 1 n 1
P pk < 1 .
n n k =1 4n 2
Aceste aspecte ale legii numerelor mari au pus n eviden existena unor iruri de
variabile aleatoare care tind n probabilitate ctre o constant. Aceast lege este valabil
pentru un ansamblu de fenomene i nu pentru fiecare fenomen n parte. Ea nu constituie
o proprietate a oricror iruri de variabile aleatoare (vezi exemplul dat de Markov [20]
p.57 n care legea numerelor mari nu mai acioneaz).
Exemplu. Fie ( n )n`* un ir de variabile aleatoare independente care iau valorile

n , 0, (
n cu probabilitile P(1 = 0) = 1 , P k = k = P k = k = ) ( ) 1
k
,

2
P( k = 0 ) = 1 , k = 2,3,... . S se arate c ( n )n`* se supune legii numerelor
k
mari.
Rspuns. Avem M ( k ) = 0 , k = 1,2,... , D 2 ( k ) = 2 , k = 2,3,... . Notm
1 n 1 n
n = k i avem M (n ) = M (k ) = 0 ,
n k =1 n k =1
1 n 2(n 1)
D 2 (n ) = 2 D 2 ( k ) = . Rrezult
n k =1 n2
({
lim P n M (n ) < = 1 .
n
})

5.8.6. Problema asimptotic central

Funcia de repartiie normal joac un rol important din punct de vedere teoretic i
practic, deoarece majoritatea fenomenelor supuse unor influene ntmpltoare conduc la
repartiii normale. Problema studierii condiiilor n care un ir de variabile aleatoare
converge n repartiie ctre o variabil aleatoare normal repartizat este problema
asimptotic central. Rezultate deosebite au obinut J .W. Liendeberg i W. Feller.

Criteriul clasic de convergen

Fie {, , P} un cmp de probabilitate ( n )n`* un ir de variabile aleatoare

independente care au momente de ordinul al doilea finite. Notm
n
mk = M ( k ) ; k2 = D 2 ( k ) ; 2n =
( ) k2 ; k , n ` *
k =1
Considerm variabilele aleatoare

129
 k mk
nk = ,1 k n, n `* ;
(n)
i
n n
1
( n) = nk =
(n) (k mk ), n `* .
k =1 k =1
Evident
n
M ( nk ) = 0; M ( n) = 0; ( ) D2 (nk ) = 1; D2 ((n) ) = 1; n `* .
k =1
De asemenea vom nota cu Fk , Fnk , F( n ) funciile de repartiie ale variabilelor aleatoare
k , nk , ( n ) , iar prin k , nk , ( n ) funciile caracteristice corespunztoare.
Definiie Spunem c irul de variabile aleatoare ( n )n`* verific condiia (5.64.),
dac pentru orice > 0 irul
lim n ( ) =
n
n n
1
= lim
n 2( n )
( x mk )2 (k mk )2 dFk ( x ) = 0 (5.64.)
k =1 x mk > k =1
(n)

Propoziia1 Pentru orice x \ are loc inegalitatea

n +1
n
( ix )k x
eix k!

( n + 1)!
,n` (5.65.)
k =0
Demonstraie
Vom proceda prin inducie asupra lui n.
Pentru n=0 avem
x

e
ix iu
e 1 = du = x .
0
Presupunnd relaia (2) adevrat pentru n, pentru n + 1 avem
x x n +1
n +1
( ix )k n
( ix ) k
u
dx = x
n+ 2
eix k!
= eix
k! dx

( n + 1) ! ( n + 2 )!
k =0 0 k =0 0
Teorema lui Lindeberg Feller
Fie ( n )n`* un ir de variabile aleatoare independente. Condiia necesar i
suficient pentru ca
2
lim F( n ) ( x ) = ( x ) , x \ i lim max k = 0 (5.66.)
n n 1 k n 2
( n)
este ca irul s verifice condiia (5.64.).
Demonstraie
130
 Condiia este suficient ( partea din teorem demonstrat de J. W. Lindeberg). Ideea
demonstraiei const n a arta c funcia caracteristic ( n) converge uniform n orice
2
t
interval mrginit ctre funcia caracteristic e 2 corespunztoare funciei de repartiie
normal N(0,1) cnd n , deci F( n ) va converge ctre pentru n .
Condiia necesar este partea din teorema demonstrat de W. Feller.
Pentru demonstraie vezi M. Iosifescu, Gh. Mihoc, R. Teodorescu -Teoria
probabilitilor i statistic matematic, Ed. Tehnic, 1966.
Corolar 1 Dac variabilele ( n )n`* sunt independente dou cte dou i au aceeai
funcie de repartiie F i admit dispersii finite, atunci
lim F( n ) ( x ) = ( x ) , x \
n
Corolar 2 Dac variabilele ( n )n`* sunt independente , egal mrginite P- a.s. i
lim ( n ) = , atunci
n
lim F( n ) ( x ) = ( x ) , x \
n
Teorema (A. M. Leapunov) Dac variabilele ( n )n`* sunt independente i dac
exist i sunt finite momentele

(
k3 = M k mk
3
) , ( k ` ) cu lim (( )) = 0 ,
*
n
n

n
n
unde 3n =
( ) k3 , atunci
k =1
lim F( n ) ( x ) = ( x ) , x \
n
Teorema (Moivre Laplace) Dac ( n )n`* este un ir de variabile aleatoare
independente care pot lua valorile 0 i 1 cu probabilitile q , respectiv p = 1 q , atunci
funcia de repartiie F( n ) a variabilei aleatoare normate
( n ) np n
=
npq
, unde ( n ) = k ,
k=1
converge pentru n ctre .
Observaie Variabilele ( n ) este o variabil binomial.

Exemplu. Populaia unui ora posed o proprietate A (are un automobil) n

proporie de p = 0,4 . S se determine mrimea eantionului studiat aa nct
probabilitatea ca frecvena indivizilor cu proprietatea A , f n , s se gseasc n intervalul
( p 0,01, p + 0,01) s fie cel puin de 99% .
Soluie. Considernd un eantion de mrime n din populaia X n care indivizii cu

131
 X
proprietatea A sunt n proporie p , frecvena f n = a indivizilor cu proprietatea A are
n
pq
valoarea medie p i dispersia 2 = , q = 1 p . Aplicnd inegalitatea Cebev n
n
cazul nostru
pq 1
P f n p t 1 2

n t

( )
sau P f n p 0,01 0,99 , alegem t = 10 ca s avem 1
1
= 0,99 . Pentru
t2
pq 0,4 0,6
t = 10 trebuie s avem t 0,01 sau 10 0,01 , de unde rezult
n n
n 240.000 deci un eantion mare.
Dar vom vedea c un eantion aa mare este un lux inutil i anume, mrimea
eantionului fiind foarte mare putem considera c distribuia frecvenei f n este normal
pq
de parametrii m = p = 0,04 i = , deci
n
pq pq
P p t fn < p + t 0,99 ,
n n
iar din tabele pentru P (t ) gsim t = 0,58 . Pentru t astfel determinat trebuie s avem
pq 0,4 0,6
t 0,01 sau 0,58 0,01 de unde n 807,36 sau n 810 , deci
n n
este inutil un eantion mai mare pentru a obine precizia cerut.

132
 EXERCIII I PROBLEME PROPUSE

5.1. Fie i dou variabile aleatoare cu aceeai densitate de probabilitate

1
pentru x (0,2 )
f (x ) = f (x ) = 2 . S se determine funcia de repartiie a
0pentru x (0,2 )

variabilei aleatoare = + .
0 pentru x < 0
2
x pentru 0 x < 2
8
Rspuns. F ( x ) = .
( )
2
4 x
pentru 2 x < 4
1 8

1 pentru x 4
5.2. S se determine densitatea de probabilitate a variabilei aleatoare = + dac
x pentru 0 x 1

este repartizat uniform n (0,1) , iar f ( x ) = 2 x pentru 1 < x 2 .
0 pentru x < 0 sau x > 2

2
x pentru 0 x 1
2
2 3
x + 3 x pentru 1< x 2
Rspuns. f ( x ) = 2 .
1 2
(
x 6 x + 9 pentru) 2< x3
2
0
pentru x < 0 sau x > 3
5.3. Fie i dou variabile aleatoare, unde are o repartiie exponenial negativ,
iar are repartiie uniform n (0,2) . S se arate c 1 = cos i
x 2
2 = sin sunt independente i au aceeai densitate de probabilitate e .

Rspuns.
P(1 < u , 2 < v ) =
1
2 e
x
( ) (
dxdy = * 2u * 2 v . )
x cos y < u
x sin y < v

133
5.4. Se d funcia f : ( 1,1) ( 1,1) \ definit prin relaia
[ ( )]
f ( x, y ) = a 1 + xy x 2 y 2 . S se determine valorile lui a pentru care f este o
densitate de probabilitate.
1
Rspuns. a = .
4
5.5. Se consider densitatea de probabilitate a variabilei aleatoare bidimensionale (, ) ,
( x 2 + y 2 )
2 xye pentru x 0, y 0
f ( x, y ) = .
0 pentru x < 0 sau y < 0
S se calculeze M ( ) , M () , D 2 ( ) , D 2 () .
1
Rspuns. M ( ) = M () = , D 2 ( ) = D 2 () = 1 .
4 2 8

5.6. O urn conine a bile albe i b bile negre. Se fac n extracii astfel: se extrage din
urn o bil i se introduc apoi n urn c bile de culoarea bilei extrase. Fie k
variabila aleatoare care ia valoarea 0 sau 1 dup cum n extracia de rang k s-a
obinut o bil alb sau neagr i v = 1 + ... + v . Se cere:
( )
a. S se calculeze P 1 = 0 2 = 0 ; P ( n = 1) .
b. Pentru m < n s se determine legea de probabilitate a cuplului ( m , n ) i s
se calculeze coeficientul de corelaie r m , n .
c. S se calculeze M (v ) i D 2 (v ) .
n
d. S se studieze convergena n probabilitate a irului .
n n`*
Rspuns.
a+c
a. P(1 = 0 2 = 0 ) = P( 2 = 0 2 = 0 ) = ,
a+b+c
b + c(n 1)q b
P( n = 1) = = q , unde q = .
a + b + (n 1)c a b
c
b. r m , n = r1 , 2 = .
a+b+c
vab(a + b + cv )
c. M (n ) = vq , D 2 (v ) = .
(a + b )2 (a + b + c )

134
 n
d. 0 < 1 , deci convergena n probabilitate a lui n este echivalent cu
n n
n m 2
convergena n medie ptratic. Fie m < n . M
m 0 deci
n m ,n

n
nu e Cauchy n medie ptratic, deci nu e convergent n probabilitate.
n
5.7. [5] Fie ( n )n`* un ir de variabile aleatoare independente cu M ( n ) = 0 ,
D 2 ( n ) = n , n `* , 0 < < 1 . S se arate c irul dat se supune legii
numerelor mari.
5.8. [7] Fie ( n )n`* un ir de variabile aleatoare independente cu densiti de
(x n )2
1
probabilitate f n ( x ) = e n
, 0 < 1 . S se arate c irul se supune
4 n
legii numerelor mari.
n 0 n
5.9. Fie ( ) un ir de variabile aleatoare unde n : 1 1 1 . S se
n n`*
2 1 2
2n n 2n 2
arate c irul converge n probabilitatea ctre zero.

135
 6. FUNCII CARACTERISTICE

Avnd n vedere c instrumentul analitic de studiu furnizat de funcia de repartiie

este destul de dificil, s-a impus introducerea unei noi mrimi care s caracterizeze
variabila aleatoare.

6.1. Funcii caracteristice unidimensionale

Fie {,, P} un cmp de probabilitate, o variabil aleatoare a crei

funcie de repartiie este F .
Definiie. Se numete funcie caracteristic a variabilei aleatoare aplicaia
: \ ^ definit de relaia
+
(t ) = M e ( )= e
it itx
dF ( x ) . (6.1.)

Dac este de tip discret i ia valorile ( xk )k I , I `* cu probabilitile

( pk )k I , atunci (6.1) devine
(t ) = pk e
itx k
. (6.2.)
k I
Dac este de tip continuu cu densitatea de repartiie f , atunci (6.1) devine
+
(t ) = eitx f ( x )dx . (6.1'.)

(Dac nu exist pericol de confuzie vom nota (t ) )

Deoarece eitx = 1 , funcia caracteristic exist pentru orice variabil aleatoare i
este determinat n mod unic de funcia de repartiie.

Exemple.

Dac este o variabil aleatoare Poisson avem

0, 1 " n "
: n .
e e " e "
1! n!
Variabila este de tip discret, deci
k itk
e = e (e 1) .

(t ) = e pk = e
itx k it
(6.3.)
k =0 k = 0 k!

136
1. Dac este o variabil cu repartiie uniform, avem
0 pentru x < a sau x > b

f (x ) = 1 . Funcia caracteristic va fi
b a pentru a x b

+ b
1
(t ) = eitx f (x )dx =
b a a
eitx dx =

. (6.4.)
1 eitb eita
=
ba it
h h 2 ( x a )2
2. Dac este o variabil aleatoare normal cu f ( x ) = e , x\,

+
h
funcia caracteristic va fi (t ) =
2 2
eitx e h ( x a ) dx . innd seama c

+
2
= e x dx , obinem

1
ita t2
. (t ) = e 4h 2 (6.5.)
Vom da n continuare cteva proprieti ale funciei caracteristice:
(1) (0) = 1
+
Avem evident (0 ) = dF (x ) = 1 .

(2) Pentru orice t \ , (t ) 1 .

+ +
Scriem (t ) e dF (x ) =
itx
dF (x ) = 1

(3) ( t ) = (t ) , pentru orice t \ .

+ + +
( t ) = e
itx
dF ( x ) = e
itx
dF ( x ) = e
itx
dF ( x ) = ( t ) .

(4) este uniform continu pe \ .
it1 x it 2 x
Avem e e x t1 t2 ,

137
 + +
(t1 ) (t2 ) = dF ( x ) e dF (x )
e
it1 x it 2 x

e dF ( x ) + e dF ( x )
it1 x it 2 x it1 x it 2 x
e e
x A x >A

t1 t2 x dF (x ) + 2 dF (x )
x A x >A
it1 x it 2 x it1 x it 2 x
innd seama c e e e +e =2.

Dat > 0 arbitrar, vom lua pe A aa nct dF (x ) < 2
x >A
de ndat ce

t1 t 2 < , avem (t1 ) (t2 ) < 2 . Ca o consecin rezult de aici c pe un interval
2
suficient de mic din jurul originii, nu se poate anula.
(5) Dac = a + b , a, b \ , atunci (t ) = eitb (at ) .
( )
Avem (t ) = M eit ( a + b ) = eitb M ei (at ) = eitb (at ) . ( )
(6) Funcia caracteristic a unei sume finite de variabile aleatoare independente este
egal cu produsul funciilor caracteristice corespunztoare termenilor.
Pentru n = 2 avem
(t )
1 + 2
it (1 + 2 )
=M e (
it1 it 2 it1
) = M (e
iy 2
e ) = M (e )M (e ) =
= 1 (t ) 2 (t )
Pentru n > 2 procedm prin inducie asupra lui n .
(7) Fie F1 , F2 , F funcii de repartiie i 1 , 2 , funciile caracteristice
corespunztoare. Dac F = F1 F2 , atunci = 12 i reciproc.
Fie F = F1 F2 i a = x1( n ) < ... < xk( nn)+1 = b irul de diviziuni ale intervalului
[a, b] aa nct nlim

(x(jn+)1 x(jn ) ) = 0 . Pentru orice t avem
(n )
[F (x( ) ) F (x( ) )] =
b kn

e
itx j

e dF (x ) = nlim
itx n n
j +1 j

a j =1
,
+ kn (n )
[F (x ) ( )]
it x j y
= lim e
1
(n )
j +1 y F1 x j y e dF2 ( y )
(n ) ity
n
j =1
de unde deducem
b b y itx +

a e itx
dF ( x ) = e dF1 ( x )eity dF2 ( y ) .

a y

138
 Trecnd la limit pentru a , b + avem
+
+ itx + ity
e itx
dF ( x ) =
e dF1 ( x ) e dF2 ( y ) ,


adic = 1 2 .
Reciproc, dac = 1 2 din cele de mai sus rezult c 1 2 este funcia
caracteristic a lui F1 F2 , de unde F = F1 F2 (funcia de repartiie este unic
determinat).
De aici rezult, ca o consecin imediat, c un produs de funcii caracteristice este
t
o funcie caracteristic, este o funcie caracteristic.
Teorema 6.1. Fie o variabil aleatoare pentru care exist n ( ) , atunci funcia
caracteristic este de n ori derivabil i (k ) (0 ) = i k k ( ) , 1 k n .
Demonstraie. Dac derivm formal de k ori ( k n ) funcia caracteristic,
obinem
+
(t ) = i
(k ) k
x e
k itx
dF ( x ) . (6.6.)

Dar
+ +

x e dF ( x ) x dF ( x ) = k ( ) ,
k itx k

deci integrala din membrul doi exist pentru 1 k n i deci relaia (6.6) are sens.
Fcnd aici t = 0 se obine
+
(k ) (0 ) = i k x k dF ( x ) = i k k ( ) .

Exemple.
1. S se determine funcia caracteristic a variabilei aleatoare care urmeaz legea de
repartiie binominal i s se calculeze primele dou momente.
1 0
Rspuns. Distribuia lui ntr-o singur prob este : , deci
p q
(t ) = peit + q . Dac facem n extracii independente, avem n variabile aleatoare
n
independente (i )1i n de tipul i = i , deci
i =1

(
(t ) = 1 (t )... n (t ) = peit + q )
n
i (
(t ) = npieit peit + q )
n 1
, de unde
(0 ) = npi i M () = np .

139
 (0 )
Analog 2 ( ) = = n 2 p 2 + npq .
i2
2. Fie variabilele aleatoare independente 1 i 2 ale cror densiti de repartiie sunt
0 pentru x [ 1,1]

f 1 ( x ) = 1 ,
2 pentru x [ 1,1]


0 pentru x [ 2,2]

x + 2
f 2 (x ) = pentru x [ 2,0] .
4
2 x pentru x [0,2]
4
S se determine funcia caracteristic a variabilei aleatoare = 1 + 2 .
Rspuns. Conform proprietii (6) avem (t ) = (t ) (t ) , unde
1 2
+ 1
1 itx eit e it sin t
1 (t ) = e f 1 ( x )dx = e dx =
itx
= ,

2 1 2it t
i
+ 0 2
2 (t ) = eitx f 2 ( x )dx =
1
(x + 2)eitx dx + 1 (2 x )eitx dx = 1 cos 2t ,

4 2 40 2t
sin t (1 cos 2t )
deci (t ) = .
2t 2
3. S se determine funcia caracteristic i momentele unei variabile aleatoare
(
normal N m, 2 . )

( x m )2
1
Rspuns. Avem f ( x ) = e 22
, deci
2
itx + ( x m )2
1
(t ) = e 2 2
dx .
2
xm
Cu schimbarea de variabil u = it obinem

t 2 2 + u 2 t 22
1 imt imt
(t ) = e 2
e 2
du = e 2
,
2

140
 + u 2
deoarece e

2
du = 2 .

t 2 2
Avem (0 ) = im t e ( 2
) imt
2
= im deci M ( ) = m . Analog obinem
t =0

M 2 ( ) = m + , M 3 ( ) = m + 2m , D 2 ( ) = 2 etc.
2 2 3 2

Definiie. O funcie de repartiie F este normalizat dac valorile lui F n

F (x 0) + F (x + 0)
punctele sale de discontinuitate sunt egale cu .
2
Am vzut c dat fiind funcia de repartiie a unei variabile aleatoare putem
construi funcia sa caracteristic. Rezultatul reciproc este dat de:
Formula de inversiune. Fie variabila aleatoare a crei funcie de repartiie
este F i funcia caracteristic . Dac x1 i x2 ( x1 < x2 ) sunt puncte de continuitate
a lui F , atunci
c itx1 itx 2
1 e e
F ( x2 ) F ( x2 ) = lim (t )dt .
c 2
(6.7.)
c
it
Relaia (6.7.) are loc pentru orice x1 , x2 ( x1 < x2 ), dac F este normalizat.
Pentru demonstraie vezi [9].
Din formula de inversiune se deduce cu uurin:
Teorema de unicitate. Funcia de repartiie este determinat n mod unic de
funcia sa caracteristic.
n ipoteza c are densitate de repartiie din formula de inversiune rezult
urmtoarele consecine:
1. Dac funcia de repartiie F este derivabil n punctul x derivata sa, f , n x este
dat de relaia
c
1 1 eith itx
f ( x ) = lim lim e (t )dt ,
h c 2
(6.8.)
c
ith
dac i numai dac membrul drept exist.
2. Dac funcia caracteristic este absolut integrabil pe \ , atunci funcia de
repartiie corespunztoare F este absolut continu, derivata ei, f , este continu i
+
1
f (x ) = e itx (t )dt . (6.9.)
2
Exemple.
1. [4] S se determine funcia de repartiie corespunztoare funciei caracteristice
t2

(t ) = e 2
.

141
Rspuns. Formula de inversiune se scrie
+ + t2
1 1 e itx 1 1 e itx 2
( )
2 it 2 it
F ( x ) F (0 ) = t dt = e dt =

+ t2 + t2
1 sin tx 2 1 1 cos tx 2
2 t 2
= e dt + e dt =
it
+ t2
1 sin tx 2
=

0
t
e dt

Derivnd n raport cu x i integrnd prin pri obinem

+ t2 + t2
1 1
F ( x ) = dt i analog F ( x ) =
x
t sin tx e 2
t sin tx e 2
dt de unde

rezult ecuaia diferenial F ( x ) = xF ( x ) .

x2

Integrnd avem F ( x ) = Ce 2
, de unde
x u2

F (x ) = C e 2
du + C1 .

+ x2

innd seama c e 2
dx = 2 , din F ( ) = 0 rezult C1 = 0 , iar din

1
F (+ ) = 1 rezult C = , deci
2
x u2
1
F (x ) = e 2 du .
2
2. S se determine densitatea de repartiie a variabilei aleatoare a crei funcie
caracteristic este (t ) = e .
t

Rspuns. Avem conform consecinei 2.

1 t itx
+ 0 +
1
f (x )
2 2 0
t itx t itx
= e e dt = e e dt + e e dt =

+ +
=
1

2 0
( 1
)
e t eitx e itx dt = e t cos txdt
0
1
Integrnd prin pri obinem f ( x ) = , x\.
(
1 + x2 )

142
 6.2. Funcii caracteristice n dimensionale

Fie = (1 ,..., n ) o variabil aleatoare n dimensional a crei funcie de

repartiie este F ( x1 ,..., xn ) .
Definiie. Se numete funcie caracteristic a variabilei aleatoare
n dimensionale aplicaia : \ n ^ definit de relaia
n
+ + i t k xk
(t1 ,..., tn ) = " e k =1
dF ( x1 ,..., xn ) . (6.10.)

Pentru n = 1 , (6.10.) se reduce la (6.1.).
Funcia caracteristic a unei variabile aleatoare n dimensionale are urmtoarele
proprieti
(1) (0,...,0 ) = 1 .
(2) (t1 ,..., tn ) 1 , ( t1 ,..., tn ) \ n .
(3) ( t1 ,...,tn ) = (t1 ,..., tn ) .
(4) este uniform continu pe \ n .
(5) Dac = (1 ,..., n ) , = (a11 + b1 ,..., an n + bn ) cu a j , bj \ ,
1 j n , atunci
n
i b jt j
(t1 ,..., tn ) = e j =1
(a1t1 ,..., antn ) .
Funcia de repartiie este determinat n mod unic de funcia caracteristic.
Exemplu. [4] S se determine funcia caracteristic a variabilei aleatoare
bidimensionale = (1 , 2 ) a crei densitate de repartiie este
x 2 2 axy + y 2

1 ( ) .
f ( x, y ) = e 2 1 a 2

(
2 1 a 2 )
Rspuns. Avem
+ +
(t1 x + t 2 y )
(t1 , t2 ) = e dF ( x, y ) =

x 2 2 axy + y 2
1 (t1 x + t 2 y ) + +
2 (1 a 2 )
2
= e dxdy
2 1 a ( )
x ay
Cu schimbarea de variabile u = , v = y se obine
1 a2

143
 a 2 +v2
i (t1a + t 2 )v + t1v
+ +
1 1 a 2
(t1 , t2 ) = e 2
dudv =
2
(
1 2
t + 2 at1t 2 + t 22 ) 1 + +

u 2 +v2 (t12 + 2 at1t 2 + t 22 )
1
=e 2 1
e
2
2
dudv = e 2

+ + u2 +v2
1

2
deoarece e 2
dudv = 1 .

6.3. Convergena irurilor de funcii caracteristice

Teorema 6.2. Dac irul de funcii de repartiie ( Fn )n`* converge ctre o

funcie de repartiie F n toate punctele de continuitate ale lui F , atunci irul de funcii
caracteristice ( n ) n`* corespunztoare funciilor de repartiie din irul dat, converge
uniform n orice interval mrginit ctre funcia caracteristic , corespunztoare
funciei de repartiie F .
Pentru Demonstraie vezi [13].
Teorema 6.3. Dac irul de funcii caracteristice ( n ) n`* converge pentru orice
t \ ctre o funcie continu pe \ , atunci irul de funcii de repartiie ( Fn )n`*
corespunztoare funciilor caracteristice din irul ales, converge ctre o funcie de
repartiie F n toate punctele de continuitate ale lui F , iar este funcia
caracteristic corespunztoare lui f .
Exemple.
1. S se arate c irul de variabile aleatoare ( n )n`* cu aceeai densitate de
x n 1 x
probabilitate f ( x ) = e tinde ctre legea normal cnd n .
(n 1)!
Rspuns. Avem
+
1 n!
M ( n ) = x n e x dx = = n,
(n 1)! 0 (n 1)!
+
M = ( )
1 2

(n 1)! 0
n x n +1e x dx = n(n + 1) ,

deci D 2 ( n ) = n .
n M ( n ) n n n
Fie variabila aleatoare n = = = n . Avem
D( n ) n n

144
 + x
it n
1
n (t ) = e n
x n 1dx =
(n 1)! 0
+ it
1 x
1
e it x
n 1
= n
e n
dx
(n 1)! 0
1 n
it
Integrnd prin pri de n 1 ori obinem n (t ) = e it n
1 .
n
it t 2
Avem ln n (t ) = + (n ) , unde lim (n ) = 0 , deci
n 2 n

t2
t2
lim ln n (t ) = de unde lim n (t ) = e 2 . Deci irul ( n )n`* converge n
n 2 n

repartiie ctre legea normal.

2. S se arate c n teorema 6.3 este esenial ca limita s fie continu n t = 0 ( este
continu pentru orice t \ dac este continu n t = 0 ).
0 pentru x n

x + n
Rspuns. Fie Fn ( x ) = pentru n < x < n , iar densitatea de probabilitate
2n
1 pentru x n
1
pentru n < x < n
corespunztoare va fi f n ( x ) = 2n . irul funciilor
0 pentru x n sau x n

n
1 sin nt
caracteristice este dat de n (t ) = eitx dx = i
2n n nt
1 pentru t = 0
lim n (t ) = (t ) = .
n
0 pentru t 0
Rezult c nu este continu n punctul t = 0 .
1
Pentru orice x fixat lim Fn ( x ) = , adic limita irului ( Fn )n`* nu este o
n 2
funcie de repartiie.

145
 EXERCIII I PROBLEME PROPUSE

6.1. Fie variabilele aleatoare independente 1 ,..., n repartizate normal. S se determine

k
repartiia variabilei aleatoare = .
i =1
i

Rspuns. urmeaz o lege de repartiie normal.

6.2. S se determine funciile caracteristice ale variabilelor aleatoare ale cror densiti de
probabilitate sunt:
1 x
2x

5 15
e 1 e pentru x 0
a. f ( x ) = 2 .
pentru x < 0
0

3 sin 3 x pentru < v <
6 3
b. f ( x ) = .
0
pentru x sau x
6 3
2
c. f ( x ) = , x\,
(
e + e x
x
)
6.3. Fie F i respectiv funcia de repartiie i funcia caracteristic a unei variabile
aleatoare a crei moment de ordinul doi, 2 , exist. Se cere:
1
a. S se arate c (t ) = (t ) este o funcie caracteristic.
2
t2
(
b. 1 t e 2
)
2
este funcie caracteristic.
6.4. S se determine funcia caracteristic i momentele de ordinul k ale variabilei
e x pentru x 0
aleatoare a crei densitate de probabilitate este f ( x ) = .
0 pentru x < 0
Rspuns. k = k! .
6.5. Funcia caracteristic a unei variabile aleatoare este (t ) = e
a t
, a > 0 . S se
determine repartiia lui .
a
Rspuns. f ( x ) =
(
a + x2
.
2
)
6.6. [4]. Fie ( n )n`* un ir de variabile aleatoare. S se arate c irul ( n )n`*
converge n probabilitate ctre o constant k dac i numai dac lim n (t ) = eikt .
n

146
6.7. [6]. Fie ( n )n`* un ir de variabile aleatoare independente, avnd aceeai funcie
de repartiie i aceeai valoare medie m . S se arate c irul (n )n`* , unde
1 n
n = i converge n probabilitate ctre m .
n i =1
(
Rspuns. Se arat c irul n ( t ) ) n`*
converge ctre funcia caracteristic a variabilei
constante m .
6.8. Fie i dou variabile aleatoare cu aceeai densitate de probabilitate
1
pentru x [ 1,1]
f (x ) = f (x ) = 2 . S se determine funcia caracteristic a
0 pentru x [ 1,1]

variabilei aleatoare + .
sin t sin 2 t
Rspuns. (t ) = (t ) = , + (t ) = 2 .
t t
6.9. S se determine densitatea de probabilitate corespunztoare funciei caracteristice
(t ) = e (e ).
it 1

[x ]
k
Rspuns. F ( x ) F (0 ) = e .
k = 0 k!

147
 x2
1
ANEXA 1 - Tabla de valori a funciei f ( x ) = e 2
2

x 0 1 2 3 4 5 6 7 8 9
0,0 0,3989 3989 3989 3988 3986 3984 3982 3980 3977 3973
0,1 3970 3965 3961 3956 3951 3945 3939 3932 3925 3918
0,2 3910 3902 3894 3885 3876 3867 3857 3847 3836 3825
0,3 3814 3802 3790 3778 3765 3752 3739 3726 3712 3697
0,4 3683 3668 3652 3637 3621 3605 3589 3572 3555 3538
0,5 3521 3503 3485 3467 3448 3429 3410 3391 3372 3352
0,6 3332 3312 3292 3271 3251 3230 3209 3187 3166 3144
0,7 3123 3101 3079 3056 3034 3011 2989 2966 2943 2920
0,8 2897 2874 2850 2827 2803 2780 2756 2732 2709 2685
0,9 2661 2637 2613 2589 2565 2541 2516 2492 2468 2444
1,0 0,2420 2396 2371 2347 2323 2299 2275 2251 2227 2203
1,1 2179 2155 2131 2107 2083 2059 2036 2012 1989 1965
1,2 1942 1919 1895 1872 1849 1826 1804 1781 1758 1736
1,3 1714 1691 1669 1647 1626 1604 1582 1561 1539 1518
1,4 1497 1476 1456 1435 1415 1394 1374 1354 1334 1315
1,5 1295 1276 1257 1238 1219 1200 1182 1163 1145 1127
1,6 1109 1092 1074 1057 1040 1023 1006 0989 0973 0957
1,7 0940 0925 0909 0893 0878 0863 0848 0833 0818 0804
1,8 0790 0775 0761 0748 0734 0721 0707 0694 0681 0669
1,9 0656 0644 0632 0620 0608 0596 0584 0573 0562 0551
2,0 0,0540 0529 0519 0508 0498 0488 0478 0468 0459 0449
2,1 0440 0431 0422 0413 0404 0396 0387 0379 0371 0363
2,2 0355 0347 0339 0332 0325 0317 0310 0303 0297 0290
2,3 0283 0277 0270 0264 0258 0252 0246 0241 0235 0229
2,4 0224 0219 0213 0208 0203 0198 0194 0189 0184 0180
2,5 0175 0171 0167 0163 0158 0154 0151 0147 0143 0139
2,6 0136 0132 0129 0126 0122 0119 0116 0113 0110 0107
2,7 0104 0101 0099 0096 0093 0091 0088 0086 0084 0081
2,8 0079 0077 0075 0073 0071 0069 0067 0065 0063 0061
2,9 0060 0058 0056 0055 0053 0051 0050 0048 0047 0046
3,0 0,0044 0043 0042 0040 0039 0038 0037 0036 0035 0034
3,1 0033 0032 0031 0030 0029 0028 0027 0026 0025 0025
3,2 0024 0023 0022 0022 0021 0020 0020 0019 0018 0018
3,3 0017 0017 0016 0016 0015 0015 0014 0014 0013 0013
3,4 0012 0012 0012 0011 0011 0010 0010 0010 0009 0009
3,5 0009 0008 0008 0008 0008 0007 0007 0007 0007 0006
3,6 0006 0006 0005 0005 0005 0005 0005 0005 0005 0004
3,7 0004 0004 0004 0004 0004 0004 0003 0003 0003 0003
3,8 0003 0003 0003 0003 0003 0002 0002 0002 0002 0002
3,9 0002 0002 0002 0002 0002 0002 0002 0002 0001 0001

148
 x z2
1
ANEXA 2 - Tabla de valori a funciei ( x ) =
*
e 2 dz
2 0

x * ( x ) x * ( x ) x * ( x ) x * ( x )
0,00 0,0000 0,32 0,1255 0,64 0,2389 0.96 0,33315
0,01 0,0040 0,33 0,1293 0,65 0,2422 0,97 0,3340
0,02 0,0080 0,34 0,1331 0,66 0,2454 0,98 0,3365
0,03 0,0120 0,35 0,1368 0,67 0,2486 0,99 0,3389
0,04 0,0160 0,36 0,1406 0,68 0,2517 1,00 0,3413
0,05 0,0199 0,37 0,1443 0,69 0,2549 1,01 0,3438
0,06 0,0239 0,38 0,1480 0,70 0,2580 1,02 0,3461
0,07 0,0279 0,39 0,1517 0,71 0,2611 1,03 0,3485
0,08 0,0319 0,40 0,1554 0,72 0,2642 1,04 0,3508
0,09 0,03359 0,41 0,1591 0,73 02673 1,05 0,3531
0,10 0,0398 0,42 0,1628 0,74 0,2703 1,06 0,3554
0,11 0,0438 0,43 0,1664 0,75 0,2734 1,07 0,3577
0,12 0,0478 0,44 0,1700 0,76 0,2764 1,08 0,3599
0,13 0,0517 0,45 0,1736 0,77 0,2794 1,09 0,3621
0,14 0,0557 0,46 0,1772 0,78 0,2823 1,10 0,3643
0,15 0,0596 0,47 0,1808 0,79 0,2852 1,11 0,36665
0,16 0,0636 0,48 0,1844 0,80 0,2881 1,12 0,3686
0,17 0,0675 0,49 0,1879 0,81 0,2919 1,13 0,3708
0,18 0,0714 0,50 0,1915 0,82 0,2939 1,14 0,3729
0,19 0,0753 0,51 0,1950 0,83 0,2967 1,15 0,3749
0,20 0,0793 0,52 0,1985 0,84 0,2995 1,16 0,3770
0,21 0,0832 0,53 0,2019 0,85 0,3023 1,17 0,3790
0,22 0,0871 0,54 0,2054 0,86 0,3051
0,23 0,0910 0,55 0,2088 0,87 0,3078 1,18 0,3810
0,24 0,0948 0,56 0,2123 0,88 0,3106 1,19 0,3830
0,25 0,0987 0,57 0,2157 0,89 0,3133 1,20 0,3849
0,26 0,1026 0,58 0,2190 0,90 0,3159 1,21 0,3869
0,27 0,1064 0,59 0,2224 0,91 0,3159
0,28 0,1103 0,60 0,2257 0,92 0,32212 1,22 0,3883
0,29 0,1141 0,61 0,2291 0,93 0,3238 1,23 0,3907
0,30 0,1179 0,62 0,2324 0,94 0,3264 1,24 0,3925
0,31 0,1217 0,63 0,2357 0,95 0,3289 1,25 0,3944
1,26 0,3962 1,59 0,4441 1,92 0,4726 2,50 0,4938
1,27 0,3980 1,60 0,4452 1,93 0,4732 2,52 0,4941
1,28 0,3997 1,61 0,4463 1,94 0,4738 2,54 0,4945
1,29 0,4015 1,62 0,4474 1,95 0,4744 2,56 0,4948
1,30 0,4032 1,63 0,4484 1,96 0,4750 2,58 0,4951
1,31 0,4049 1,64 0,4495 1,97 0,4756 2,60 0,4953
1,32 0,4066 1,65 0,4505 1,98 0,4761 2,62 0,4956
1,33 0,4082 1,66 04515 1,99 0,4767 2,64 0,4959
1,34 0,4099 1,67 0,4525 2,00 0,4772 2,66 0,4961
1,35 0,4115 1,68 0,4535 2,02 0,4783 2,68 0,4963

149
 x * ( x ) x * ( x ) x * ( x ) x * ( x )
1,36 0,41131 1,69 0,4545 2,04 0,4793 2,70 0,4965
1,37 0,4147 1,70 0,4554 2,06 0,4803 2,72 0,4967
1,38 0,4162 1,71 0,4564 2,08 0,4812 2,74 0,4969
1,39 0,4177 1,72 0,4573 2,10 0,4821 2,76 0,4971
1,40 0,4192 1,73 0,4582 2,12 0,4830 2,78 0,4973
1,41 0,4207 1,74 0,4591 2,14 0,4838 2,80 0,4974
1,42 0,4222 1,75 0,4599 2,16 0,4846 2,82 0,4976
1,43 0,4236 1,76 0,4608 2,18 0,4854 2,84 0,4977
1,44 0,4251 1,77 0,4616 2,20 0,4861 2,86 0,4979
1,45 0,4265 1,78 0,4625 2,22 0,4868 2,88 0,4980
1,46 0,4279 1,79 0,4633 2,24 0,4875 2,90 0,4980
1,47 0,4292 1,80 0,4641 2,26 0,4881 2,92 0,4982
1,48 0,4306 1,81 0,4649 2,28 04887 2,94 0,4984
1,49 0,4319 1,82 0,4656 2,30 0,4893 2,96 0,4985
1,50 0,4332 1,83 0,4664 2,32 0,4898 2,98 0,4986
1,51 0,4345 1,84 0,4671 2,34 0,4904 3,00 0,49865
1,52 0,4357 1,85 0,4678 2,36 0,4909 3,20 0,49931
1,53 0,4370 1,86 0,4686 2,38 0,4913 3,40 0,49966
1,54 0,4382 1,87 0,4693 2,40 0,4918 3,60 0,49981
1,55 0,4394 1,88 04699 2,42 0,4922 3,80 0,499928
1,56 0,4406 1,89 0,4706 2,44 0,4927 4,00 0,499968
1,57 0,4418 1,90 0,4713 2,46 0,4931 4,50 0,499997
1,58 0,4429 1,91 0,4719 2,48 0,4934 5,00 0,499997

150
 ANEXA 3 - Tabla de valori t = t ( , n )

n\ 0,95 0,99 0,999 n\ 0,95 0,99 0,999

5 2,78 4,60 8,61 20 2,093 20861 3,883
6 2,57 4,03 6,86 25 2,064 2,797 3,745
7 2,45 3,71 5,96 30 2,045 2,756 3,659
8 2,37 3,50 5,41 35 2,032 2,729 3,600
9 2,31 3,36 5,04 40 2,023 2,708 4,558
10 2,26 3,25 4,78 45 2,016 2,692 3,527
11 2,23 3,17 4,59 50 2,009 2,679 3,502
12 2,20 3,11 4,44 60 2,001 2,662 3,464
13 2,18 3,06 4,32 70 1,996 2,649 3,439
14 2,16 3,01 4,22 80 1,991 2,640 3,418
15 2,15 2,98 4,14 90 1,987 2,633 3,403
16 2,13 2,95 4,07 100 1,984 2,627 3,392
17 2,12 2,92 4,02 120 1,980 2,617 3,374
18 2,11 2,90 3,97 1,960 2,576 3,291
19 2,10 2,88 3,92

151
 ANEXA 4 - Tabla de valori q = q ( , n )

n\ 0,95 0,99 0,999 n\ 0,95 0,99 0,999

5 1,37 2,67 5,64 20 0,37 0,58 0,88
6 1,09 2,01 3,88 25 0,32 0,49 0,73
7 0,92 1,62 2,98 30 0,28 0,43 0,63
8 0,80 1,38 2,42 35 0,26 0,38 0,56
9 0,71 1,20 2,06 40 0,24 0,65 0,50
10 0,65 1,08 1,80 45 0,22 0,32 0,46
11 5,59 0,98 1,60 50 0,21 0,30 0,43
12 0,55 0,90 1,45 60 0,188 0,269 0,38
13 0,52 0,38 1,33 70 0,174 0,245 0,34
14 0,48 0,78 1,23 80 0,161 0,226 0,31
15 0,46 0,73 1,15 90 0,151 0,211 0,29
16 0,44 0,70 1,07 100 0,143 0,198 0,27
17 0,42 0,66 1,01 150 0,115 0,160 0,221
18 0,40 0,63 0,96 200 0,099 0,136 0,185
19 0,39 0,60 0,92 250 0,089 0,120 0,162

152
 ANEXA 5 - Punctele critice ale distribuiei 2

Numr de
grade de Nivel de semnificaie
libertate k
0,01 0,025 0,05 0,95 0,975 0,99
1 6,6 5,0 3,8 0,0039 0,00098 0,00016
2 9,2 7,4 6,0 0,103 0,051 0,020
3 11,3 9,4 7,8 0,352 0,216 0,115
4 1303 11,1 9,5 0,711 0,484 0,297
5 15,1 12,8 11,1 1,15 0,831 0,554
6 16,8 14,4 12,6 1,64 1,24 0,872
7 18,5 16,0 14,1 2,17 1,69 1,24
8 20,1 17,5 15,5 2,73 2,18 1,65
9 21,7 19,0 16,9 3,33 2,70 2,09
10 23,2 20,5 18,3 3,94 3,25 2,56
11 24,7 21,9 19,7 4,57 3,82 3,05
12 26,2 23,3 21,0 5,23 4,40 3,57
13 27,7 24,7 22,4 5,89 5,01 4,11
14 29,1 26,1 23,7 6,57 5,63 4,66
15 30,6 27,5 25,0 7,26 6,26 5,23
16 32,0 28,8 26,3 7,96 6,91 5,81
17 33,4 30,2 27,6 8,67 7,56 6,41
18 34,8 31,5 28,9 9,39 8,23 7,01
19 36,2 32,9 30,1 10,1 8,91 7,63
20 37,6 34,2 31,4 10,9 9,59 8,26
21 38,9 35,5 32,7 11,6 10,3 8,90
22 40,3 36,8 33,9 12,3 11,0 9,54
23 41,6 38,1 3,2 13,1 11,7 10,2
24 43,0 39,4 36,4 13,8 12,4 10,9
25 44,3 40,6 37,7 14,6 13,1 11,5
26 45,6 41,9 38,9 15,4 13,8 12,2
27 47,0 43,2 40,1 16,2 14,6 12,9
28 48,3 44,5 41,3 16,9 15,3 13,6
29 49,6 45,7 42,6 17,7 16,0 14,3
30 50,9 47,0 43,8 18,5 16,8 15,0

153
 ANEXA 6 - Puncte critice ale distribuiei Student

Numr de grade Nivel de semnificaie

de libertate k (regiunea critic bilateral)
0,10 0,05 0,02 0,01 0,002 0,001
1 6,31 12,7 31,82 63,7 318,3 637,0
2 2,92 4,30 6,97 9,92 22,33 31,6
3 2,35 3,18 4,54 5,84 10,22 12,9
4 2,13 2,78 3,75 4,60 7,17 8,61
5 2,01 2,57 3,37 4,03 5,89 6,86
6 1,94 2,45 3,14 3,71 5,21 5,96
7 1,89 2,36 3,00 3,50 4,79 5,40
8 1,86 2,31 2,90 3,36 4,50 5,04
9 1,83 2,26 2,82 3,25 4,30 4,78
10 1,81 2,23 2,76 3,17 4,14 4,59
11 1,80 2,20 2,72 3,11 4,03 4,44
12 1,78 2,18 2,68 3,05 3,93 4,32
13 1,77 2,16 2,65 3,01 3,85 4,22
14 1,76 2,14 2,62 2,98 3,79 4,14
15 1,75 2,13 2,60 2,95 3,73 4,07
16 1,75 2,12 2,58 2,92 3,69 4,01
17 1,74 2,11 2,57 2,90 3,65 3,96
18 1,73 2,10 2,55 2,88 3,61 3,92
19 1,73 2,09 2,54 2,86 3,58 3,88
20 1,73 2,09 2,53 2,85 3,55 3,85
21 1,72 2,08 2,52 2,83 3,53 3,82
22 1,72 2,07 2,51 2,82 3,51 3,79
23 1,71 2,07 2,50 2,81 3,49 3,77
24 1,71 2,6 2,49 2,80 3,47 3,74
25 1,71 2,06 2,49 2,79 3,45 3,72
26 1,71 2,06 2,48 2,78 3,44 3,71
27 1,71 2,05 2,47 2,77 3,42 3,69
28 1,70 2,05 2,46 2,76 3,40 3,66
29 1,70 2,05 2,46 2,76 3,40 3,66
30 1,70 2,04 2,46 2,75 3,39 3,65
40 1,68 2,02 2,42 2,70 3,31 3,55
60 1,67 2,00 2,39 2,66 3,23 3,46
120 1,66 1,98 2,36 2,62 3,17 3,37
1,64 1,96 2,33 2,58 3,09 3,29
0,05 0,025 0,01 0,005 0,001 0,0005

154
 BIBLIOGRAFIE

[1] Borel E., Sur les probabilits denomerables et leurs applications aritmtiques. Rend. del.
Cerc. Mat. di Palermo, 1969, E. 27
[2] Blaschke, W., Vorlesungen ber Integralgeometrie, ed. 3, V.E.B. Deutscher Verlag der
Wiss. Berlin, 1955.
[3] Bdiu, V., Raischi, C., Curs de matematici aplicate n economie. Lito ASE, Bucureti, 1986.
[4] Cantelli, F.P., Considrations sur la convergence dans le calcul des probabilits. Ann. Inst.
M. Poincar, 1935, 5, 3-50.
[5] Ciucu, G., Simboan, G., Teoria probabilitilor i statistica matematic. Editura Tehnic,
Bucureti, 1962.
[6] Ciucu, G., Craiu, V., Scuiu, I., Culegere de probleme de teoria probabilitilor. Editura
Tehnic, Bucureti, 1967.
[7] Ciucu, G., Craiu, V., Probleme de statistic matematic. Editura Didactic i Pedagogic,
Bucureti, 1968.
[8] Cramr, H., Mathematical methods of statistics. Princeton, 1946.
[9] Gmurman, V.E. Problemas de la teoria de los probabilidades y de estadistica matematica.
Editorial Mir U.R.S.S., 1975.
[10] Iosifescu, M., Mihoc, Gh., Teoria probabilitilor i statistica matematic. Edititura Tehnic,
Bucureti, 1966.
[11] Kendall, M.G., Moran P.A.P., Geometrical Probability. Charles Griggin comp. Lim.
London, 1963.
[12] Kolomogorov, A.N., Determinazione empirica di una legge di distribuzione. Giornale Set.
Hal. AHuari 1933, 4, 83.
[13] Levy, P., Probability Theory, ed. 2-a, New-York, 1960.
[14] Leonte, A., Trandafir R., Clasic i actual n teoria probabilitilor. Editura Dacia, Cluj-
Napoca, 1974.
[15] Love, Michel, Probability Theory, R. Van Nostrand Inc., New York, 1970.
[16] Mihoc, G., Asupra proprietilor generale ale variabilelor statistice independente. Bull-
Math. Soc. Roum. Sci. 37 1, 37 82 (1933), 37, 2 1778 (1936).
[17] Mihoc, G., Urseanu, V., Matematici aplicate n statistic. Editura Academiei R.P.R.,
Bucureti, 1962.
[18] Mihoc, G., Ciucu, G., Craiu V., Teoria probabilitilor i statistic matematic, Editura
Didactic i Pedagogic, Bucureti, 1978.
[19] Onicescu, O., Probabiliti i procese aleatoare. Editura tiinific i Enciclopedic,
Bucureti, 1977.
[20] Onicescu, O., Mihoc, G., Lecii de statistic matematic. Editura Tehnic, Bucureti, 1958.
[21] Onicescu, O., Mihoc, G., .a., Calculul probabilitilor i aplicaii. Editura Academiei
R.S.R., Bucureti, 1956.
[22] Popescu, O., .a., Matematici aplicate n economie. Editura Didactic i Pedagogic,
Bucureti, 1997.
[23] Rnyi, A., On the theory of order statistics. Acta Matematica, Acad. Scientiarum
Stungaricol, 1953, 4.
[24] Santal, L.A., ber das kinematische Mass im Raum, (G.1.5). Act. Sci. et. Ind. 357
Hermann, Paris, 1931.
155
 [25] Smboan, G. .a., Teoria probabilitilor. Editura Didactic i Pedagogic, Bucureti, 1967.
[26] Trandafir, R., Culegere de probleme matematici pentru ingineri, ed. II-a, Editura Tehnic,
1977.
[27] Tortrat, A., Calcul des probabilits. Paris, 1963.

156