Documente Academic
Documente Profesional
Documente Cultură
Teoria Probabilitatilor
Teoria Probabilitatilor
1.1. Evenimente
Definiie 1.1.1. Realizarea practic a unui ansamblu de condiii bine
precizat poart numele de experien sau prob.
Definiie 1.1.2. Prin eveniment vom nelege orice rezultat al unei
experiene despre care putem spune c s-a realizat sau c nu s-a realizat, dup
efectuarea experimentului considerat. Evenimentele se pot clasifica n:
evenimente sigure; evenimente imposibile, evenimente aleatoare.
Definiie 1.1.3. Evenimentul sigur este evenimentul care se produce
n mod obligatoriu la efectuarea unei probe i se noteaz cu E.
Definiie 1.1.4. Evenimentul imposibil este evenimentul care n mod
obligatoriu nu se produce la efectuarea unei probe i se noteaz cu .
Definiie 1.1.5. Evenimentul aleator este evenimentul care poate sau
nu s se realizeze la efectuarea unei probe i se noteaz prin litere mari A, B,
C, , sau prin litere mari urmate de indici Ai, Bi,.
Definiie 1.1.6. Evenimentul contrar evenimentului A se noteaz
i este evenimentul ce se realizeaz numai atunci cnd nu se realizeaz
evenimentul A.
Definiie 1.1.7. Un eveniment se numete:
1) elementar dac se realizeaz ca rezultat al unei singure probe; se
noteaz cu e.
2) compus dac acesta apare cu dou sau mai multe rezultate ale
probei considerate.
6 Elemente de teoria probabilitilor i statistic matematic
ii) A A, B B, C C;
iii) A, B, C ;
respectiv generalizrile Ai A ; A i i A . i
iI iI iI iI
ii) A, B K A B K i A B K .
Observaie 1.3.2.
1. Notm cmpul de evenimente [E,K].
2. Evident K i E K .
3. Dac E e1 , e 2 ,...e n atunci K P(E ) .
4. Dac ntr-o prob mulimea evenimentelor este infinit atunci
cmpul de evenimente corespunztor [E,K] are proprietatea:
A i K , i 1, 2... A i K i A i K.
i 1
i 1
i) A i E
i 1
ii) A i A j i j, i, j 1, n
----------------
evenimente compuse din cte k evenimente elementare Cnk
ii) P(E)=1
iii) P (A B) P( A ) P( B), A, B K , i A B .
ii) P(E)=1
iii) P
A i
P A dac A i A j ,
i i j, i, j I,
iI iI
n n
3. i P A i dac A i A j , i j,
P A i, j 1, n
i 1 i 1
Demonstraie:
1) Din relaiile E = E i E = aplicnd axioma iii) din
definiia probabilitii avem P(E) = P( E) = P() + P(E) i rezult P() = 0
2) Din relaiile A A E i A A aplicnd axioma iii) din
definiia probabilitii avem P ( A A) P ( A) P ( A) adic
P ( E ) P ( A) P ( A) i rezult P ( A) 1 P ( A)
n n 1 n 1 n 1 n
P Ai P Ai An P Ai P( An ) P( Ai ) P( An ) P( Ai )
i 1 i 1 i 1 i 1 i 1
n 1
dac s-a folosit ipoteza de inducie i s-a inut seama c Ai An
i 1
3 1
cazurilor favorabile evenimentului A este 3. Deci P(A) .
6 2
Exemplul 1.4.8. Dintr-o urn cu 15 bile numerotate de la 1 la 15 se
extrage o bil la ntmplare. Se consider evenimentele:
A = obinerea unui numr prim;
B = obinerea unui numr par;
C =obinerea unui numr divizibil prin 3.
S calculm probabilitile acestor evenimente.
Rezolvare:
Elemente de teoria probabilitilor 13
6 2
13}, deci P(A) .
15 5
Pentru B numrul cazurilor favorabile este 7, adic {2, 4, 6, 8, 10,
7
12, 14}, deci P(B) .
15
Pentru C, numrul cazurilor favorabile este 5, adic { 3, 6, 9, 12,
5 1
15}, deci P(C) .
15 3
n n n
n1
n
P Ai P( Ai ) P( Ai Aj ) P( Ai A j Ak ) ... (1) P Ai
i1 i1 i , j 1 i j k i1
i j
P( A B)
l numim probabilitatea lui A condiionat de B i notm P B(A)
P( B)
sau P( A B) .
Demonstraie:
Artm c PB ( A) satisface axiomele probabilitii:
i) PB ( A) 0 deoarece P ( A B) 0 i P ( B ) 0
P( B E ) P ( B )
ii) PB ( E ) 1
P( B) P( B)
dac ( B A1 ) ( B A2 ) .
Observaie 1.5.1.
1) Oricrui cmp de evenimente [E,K] i putem ataa un cmp de
probabilitate condiionat {E, K, PB}.
2) P(A B) P(B) PB (A) - formula de calcul a interseciei a dou
evenimente dependente. Are loc o generalizare: dac A1, A2, An sunt
evenimente dependente atunci
Elemente de teoria probabilitilor 15
n
P
A i
P( A 1 ) PA1 ( A 2 ) PA1 A 2 ( A 3 )....Pn 1 A ( A n ).
i 1 i
i 1
independente.
Generalizare:
Dac A1, A2, An sunt evenimente independente atunci
n n
P
A i
i 1
P(A
i 1
i ).
n
n
An sunt evenimente independente, atunci: P A i 1 1 P(A i )
i 1 i 1
Demonstraie:
n n
Folosind relaiile lui De Morgan A i A i i faptul c Ai
i 1 i 1
n n n n n
1 P ( Ai ) 1 1 P ( Ai )
P
Ai 1 P Ai 1 P
Ai
i 1 i 1 i 1 i 1 i 1
P5) Inegalitatea lui Boole: A1, A2, An, sunt evenimente dependente
n n n
P Ai P ( Ai ) (n 1) 1 P ( Ai )
atunci i 1 i 1 i 1
16 Elemente de teoria probabilitilor i statistic matematic
Demonstraie:
Verificm inegalitatea din enun prin inducie matematic.
Pentru n = 2 avem P( A1 A2 ) P( A1 ) P ( A2 ) P( A1 A2 ) dac
P ( A1 A2 ) 1 i rezult P ( A1 A2 ) P ( A1 ) P ( A2 ) 1 relaia este
adevrat.
Presupunem inegalitatea adevrat pentru n-1 adic
n 1 n 1
P Ai P( A ) (n 2)
i i demonstrm pentru n.
i 1 i 1
Avem succesiv
n n 1 n 1
P
Ai
P
Ai
An P
A i
P ( An ) 1
i 1 i 1 i 1
n 1 n
P ( Ai ) (n 2) P ( An ) 1
i 1
P( A ) (n 1)
i 1
i
n
complet de evenimente [E, K] i X K atunci P(X)= P(A i ) PA ( X ). i
i 1
Demonstraie:
Din ipoteza c Ai, i 1, n este un sistem complet de evenimente
rezult c X ( A1 X ) ( A2 X ) ... ( An X )
Deoarece Ai A j , i j , i, j 1, n avem c
( X Ai ) ( X A j ) , i j , i, j 1, n
Avem succesiv
n n n
P( X ) P ( Ai X ) P( Ai X ) P( Ai ) PAi ( X )
i 1 i 1 i 1
Elemente de teoria probabilitilor 17
P7) Formula lui Bayes: Dac A1, A2, An este un sistem complet de
evenimente al cmpului [E, K] i X K atunci:
P(A i ) PA i (X )
n
PX(Ai)= , i 1, n
P(A ) P
i 1
i Ai (X)
Demonstraie:
Deoarece P ( X Ai ) P ( X ) PX ( Ai ) i
P ( X Ai ) P ( Ai ) PAi ( X ) avem P ( X ) PX ( Ai ) P ( Ai ) PAi ( X ) , deci
P ( Ai ) PAi ( X ) P ( Ai ) PAi ( X )
PX ( Ai ) n
P( X ) dac s-a folosit formula
P( A ) P
i 1
i Ai (X )
probabilitii totale.
Exemplul 1.5.2. Cele 26 de litere ale alfabetului, scrise fiecare pe un
cartona, sunt introduse ntr-o urn. Se cere probabilitatea ca extrgnd la
ntmplare de 5 ori cte un cartona i aezndu-le n ordinea extragerii s
obinem cuvntul LUCIA.
Rezolvare:
Notm prin X evenimentul cutat, deci de a obine prin extrageri
succesive cuvntul LUCIA, de asemenea notm prin A1 = evenimentul ca la
prima extragere s obinem litera L; A 2 = evenimentul ca la a doua extragere
s obinem litera U; A3 = evenimentul ca la a treia extragere s obinem litera
C; A4 = evenimentul ca la a patra extragere s obinem litera I; A 5 =
evenimentul ca la a cincea extragere s obinem litera A.
Atunci evenimentul X are loc dac avem
X A1 A 2 A 3 A 4 A 5 .
Rezult:
18 Elemente de teoria probabilitilor i statistic matematic
P ( X ) P ( A1 ) P ( A2 A1 ) P ( A3 A1 A2 ) P ( A4 A1 A2 A3 )
1 1 1 1 1
P ( A5 A1 A2 A3 A4 ) .
26 25 24 23 22
Exemplul 1.5.3. Dac probabilitatea ca un automobil s plece n
curs ntr-o diminea friguroas este de 0,6 i dispunem de dou automobile
de acest fel, care este probabilitatea ca cel puin unul din automobile s plece
n curs ntr-o diminea friguroas?
Rezolvare:
Dac notm prin A1 i A2 evenimentele ca primul respectiv, al doilea
automobil s plece n curs i prin X evenimentul cutat, deci ca cel puin
unul dintre automobile s plece n curs, avem: X A1 A 2 , iar
P(A) = P (A1 A 2 A 3 ) 1 P( A1 A 2 A 3 ) = 1 P( A 1 ) P( A 2 ) P( A 3 ) =
1- (1-0,7)(1-0,8)(1-0,6) = 1 0,3 0,2 0,4 0,976 .
B = A1 A 2 A 3 i innd seama de independena evenimentelor, avem:
9 7
B i C sunt satisfcute cu probabilitile P(A) = , P(B) = i P(C) =
10 11
11
, atunci probabilitatea ca s fie satisfcute toate trei caracteristicile se
12
poate evalua cu formula lui Boole. Astfel se poate scrie:
P( A B C) 1 P( A ) P(B) P( C ), adic P(
1 4 1 229
A B C) 1 .
10 11 12 660
Exemplul 1.5.6. Un sortiment de marf dintr-o unitate comercial
1
provine de la trei fabrici diferite n proporii, respectiv de la prima
3
1
fabric, de la a doua fabric i restul de la fabrica a treia. Produsele de la
6
cele trei fabrici satisfac standardele de fabricaie n proporie de 90%, 95% i
respectiv 92%. Un client ia la ntmplare o bucat din sortimentul de marf
respectiv.
a) Care este probabilitatea ca produsul s satisfac standardele de
fabricaie?
b) Care este probabilitatea ca produsul s fie defect i s provin de
la prima fabric?
20 Elemente de teoria probabilitilor i statistic matematic
Rezolvare:
a) Notm cu A 1 , A 2 i A 3 evenimentele ca produsul cumprat s
fie de la prima, a doua, respectiv a treia fabric. Aceste trei evenimente
formeaz un sistem complet de evenimente i au probabilitile P(
1 1 1
A1 ) , P(A 2 ) i P ( A3 ) . Dac A este evenimentul c produsul
3 6 2
cumprat de client satisface standardele de fabricaie, atunci P(A
A 1 ) 0,90, P( A A 2 ) 0,95 i P( A A 3 ) 0,92 . Folosind formula
probabilitii totale se obine:
P ( A) P ( A1 ) P ( A A1 ) P ( A2 ) P ( A A2 ) P ( A3 ) P ( A A3 )
1 1 1 5,51
0,90 0,95 0,92 0,918
9 6 2 6
b) Folosind formula lui Bayes, avem:
P(A 1 )P( A A 1 )
P( A 1 A )
P( A 1 ) P( A A 1 ) P( A 2 ) P( A A 2 ) P (A 3 )P ( A A 3 )
1
0,10
3 0,2
= 0,408.
1 1 1 0,49
0,10 0,05 0,08
3 6 2
a b
p = P( A i ) i P( A i ) q , evident p+q=1. Notm cu X k ,n k
N N
evenimentul ca dup n extrageri s obinem de k ori bil alb i apoi de n-k
ori bil neagr, avem:
k n k
P( X k ,n k ) P(A1 A 2 ... A k A k 1 ... A n ) p q .
Dac X este evenimentul ca din cele n bile extrase exact k s fie
k k n k n!
albe, avem: P(X) = C n P(X k ,n k ) C n p q
k
p k q n k .
k!(n k )!
n n
(px q ) n C kn p k q n k x k P(n , k ) x k , deci P(n,k) este coeficientul lui
k 0 k 0
binomial.
n
2) P(n, k ) 1.
k 0
a
i 1
i N . Se fac n extrageri succesive cu revenirea bilei n urn. Fie X
ai
s obinem bila de culoare c i , i 1, s, p i P(A i ) , i 1, s , atunci:
N
s
n!
Pn ( 1 , 2 ,..., s ) p1 1 p 2 2 ...p s s , unde n
1 ! 2 !... s ! i 1
i
n k
C ak C nb k
bile negre ce se afl n urn la nceput este C b , deci P(n,k) = ,
C an b
unde a k , b n k i a b n .
Generalizare:
n urn se afl bile de r culori, adic a 1 bile de culoarea 1, a 2 bile
de culoarea 2 etc. a r bile de culoarea r i se extrag n bile fr ntoarcerea
Rezult c: P(n,k) = C nn 1k 1 p n q k .
Observaie 1.6.7.
1) Din proprietatea de complementaritate a combinrilor, avem:
P ( n, k ) Cnk k 1 p n q k .
pn
p n (1 qx ) n C kn k 1 p n q k x k P( n , k ) x k , qx 1 , deci
(1 qx ) n
k 0 k 0
Elemente de teoria probabilitilor 25
k 0 k 0
7
este p = . Vrem s calculm probabilitatea ca unitatea hotelier s fie
8
normal ocupat n cinci zile din cele apte zile ale unei sptmni.
Rezolvare:
Calculul acestei probabiliti se face cu schema lui Bernoulli cu bila
7 1
ntoars, unde n=7, k=5; p= i q = 1-p = . Astfel se obine c:
8 8
7 1 3 7 6
P(7,5) = C 7 ( ) ( )
5 5 2
( ) .
8 8 8 8
Exemplul 1.6.9. Piesele produse de o main sunt supuse la dou
teste independente. Probabilitile ca o pies s treac aceste teste sunt
2 3
respectiv i . S se calculeze probabilitatea ca din 5 piese luate la
3 4
ntmplare, 2 s treac ambele teste, 1 numai primul test, 1 numai al doilea
test, iar una s nu treac nici un test.
Rezolvare:
26 Elemente de teoria probabilitilor i statistic matematic
nentoars, unde a+b=50; a=40, b=10, n=5 i k=3. Avem P(5;3) = C 340 C10
2
.
5
C 50
Exemplul 1.6.11. Patru trgtori trag asupra unei inte. Primul
2 3
atinge inta cu probabilitatea , al doilea cu probabilitatea , al treilea cu
3 4
4 5
probabilitatea , iar al patrulea cu probabilitatea . Care este
5 6
probabilitatea ca inta s fie atins exact de 3 ori?
Rezolvare:
Evenimentele A i = trgtorul "i" atinge inta; i = 1,2,3,4 sunt
independente i:
Elemente de teoria probabilitilor 27
2 3 4
p1 P( A1 ) ; p2 P ( A2 ) ; p3 P( A3 ) ;
3 4 5
5 1
p4 P ( A4 ) ; q1 1 p1
6 3
1 1 1
q2 1 p2 ; q3 1 p3 ; q4 1 p4 . Probabilitatea ca din aceste
4 5 6
patru evenimente s se realizeze trei i unul nu, este coeficientul lui x 3 din
2 1 3 1 4 1 5 1
dezvoltarea polinomului: Q(x) = ( x )( x )( x )( x ) ,
3 3 4 4 5 5 6 6
adic:
2 3 4 1 2 3 1 5 2 1 4 5 1 3 4 5
0,427.
3 4 5 6 3 4 5 6 3 4 5 6 3 4 5 6
Exemplul 1.6.12. Doi juctori sunt angrenai ntr-un joc format din
1
mai multe partide. Primul juctor ctig o partid cu probabilitatea p = i
3
2
o pierde cu probabilitatea q = 1-p = . S se calculeze probabilitatea c:
3
a) prima partid ctigat de primul juctor s se produc dup cinci
partide pierdute;
b) a treia partid ctigat de primul juctor s se produc dup un
total de ase partide pierdute.
Rezolvare:
a) Se aplic schema geometric. Prin urmare, probabilitatea cerut
1 2 5 32
este dat de P(1,5) = p q 5 = ( ) .
3 3 729
1 2
b) Se utilizeaz schema lui Pascal, unde n=3, k=6, p= , q= .
3 3
Astfel, probabilitatea cerut este:
28 Elemente de teoria probabilitilor i statistic matematic
1 2 7 2 9
P(3,6) = C 8 ( ) ( ) ( ) .
6 3 6
3 3 2 3
Exemplul 1.6.13. ntr-o cutie sunt 12 bile marcate cu 1; 8 sunt
marcate cu 3 i ase sunt marcate cu 5. O persoan extrage la ntmplare din
cutie 4 bile. S se calculeze probabilitatea ca suma obinut s fie cel mult 13.
Rezolvare:
Dac notm cu A evenimentul ca suma obinut de cele patru bile s
fie cel mult 13, atunci evenimentul contrar A este evenimentul ca suma s
fie cel puin 14. Se vede c suma maxim ce se poate obine este 4 5 = 20.
De asemenea, avem c
3 5 1 3 18; 3 5 1 1 16; 2 5 2 3 16; 2 5 1 3 1 1 14; 1 5 3 3 14.
C 36 C18 C12
0
16 C 64 C 80 C12
0
P18 P (4;3,1,0) . P20 P( 4;4,0,0) .
C 426 1495 C 426
Avem c:
2611
P( A ) = P14 P16 P18 P20 , de unde
14950
Elemente de teoria probabilitilor 29
2611 12339
P(A) = 1-P( A ) = 1- =
14950 14950
0,825 .
Observaii 1.7.2.
1) Dac K=P(E) atunci ii) este automat ndeplinit;
2) Dac o variabil ia un numr finit de valori vom spune c este
variabil aleatoare simpl.
Definiie 1.7.3. Numim distribuia sau repartiia variabilei aleatoare
xi
X de tip discret, tabloul X unde xi, i I, sunt valorile pe care le ia X
pi iI
iar pi este probabilitatea cu care X ia valoarea x i adic pi = P(X = xi ), i I
mulimea I putnd fi finit sau cel mult numrabil.
Observaii 1.7.4.
1) Evenimentele (X = xi ) formeaz un sistem complet de
evenimente i p
iI
i 1.
xi yj
X Y
q
respectiv distribuiile i sunt independente dac
pi iI j jJ
P(X = xi , Y = yj) = P(X = xi ) P(Y = yj), (i, j) IxJ.
Definiie 1.7.6. Fie variabilele aleatoare X, Y care au respectiv
xi yj
X Y
q
distribuiile i atunci variabila aleatoare sum X+Y,
pi iI j jJ
32 Elemente de teoria probabilitilor i statistic matematic
X
produs X Y i ct (dac y j 0, j J ) vor avea distribuiile
Y
xi
xi y j xi y j X
X Y , X Y y j
p p Y
, unde
axi
aleatoare aX :
pi iI
b) putere a variabilei aleatoare X de exponent k, k Z ,
xik
variabila aleatoare X : cu condiia ca operaiile xi ,
k k
p
i iI
i I , s aib sens.
p
iI
ij q j , j J.
Elemente de teoria probabilitilor 33
F(x)= x
x
pi , x R .
i
Demonstraie:
Avem succesiv
P ( a X b ) P ( X b, X a ) P ( X b ) ( X a )
P ( X b) P ( X a) F (b) F (a)
4. xlim F ( x) 0, lim F ( x) 1
x
34 Elemente de teoria probabilitilor i statistic matematic
Demonstraie:
lim F ( x) lim P ( X x) P( ) 0
x x
lim F ( x) lim P( X x) P( E ) 1
x x
1 2 3 4
X: 2 7 1 1 . Care este probabilitatea ca X s ia o valoare mai
p p
4 3 6
mic sau egal cu 3?
Rezolvare:
Pentru ca X s fie o variabil aleatoare trebuie ca p 0 i
7 1 1 1
p2 p 1 . Se obine soluia acceptabil p . Se calculeaz
4 3 6 4
probabilitatea cerut prin intermediul evenimentului contrar i anume
1 5
P(X 3) 1 P(X 4) 1 sau
6 6
1 7 1 5
P(X 3) P(X 1) P(X 2) P(X 3) .
16 16 3 6
Exemplul 1.7.12. Se dau variabilele aleatoare independente:
1 0 1 1 0 1
X: 1 1 1 ; Y : 1
p q 2p q 12p 2 .
6 3 3 3
a) S se scrie distribuia variabilei 2XY.
2
b) Pentru ce valori ale lui c avem: P(X Y c) ?
9
Rezolvare:
Elemente de teoria probabilitilor 35
1 1 1
p
6 q 1
1 1
p 0; q 0;2p q 0 i apoi :
3 3
, rezult valorile
6 3 1
2p q 12p 2 1
3
1
acceptabile p i q = 0. Deci variabilele aleatoare au repartiiile:
6
1 0 1 1 0 1
X: 1 1 1; Y : 1 1 1 . Avem :
3 3 3 3 3 3
2 0 2
a) 2XY : 2 5 2
9 9 9
2 1 0 1 2
b) X Y : 1 2 3 2 1 , deci P(X + Y = c)> 2
9
9 9 9 9 9
3 2
corespunde situaiei P(X + Y = 0) = adic c = 0.
9 9
Exemplul 1.7.13. Variabila aleatoare X cu distribuia urmtoare:
1
0 , dac x ,
2
1 1 , dac 1 x 1,
1 2
X: 2 , are funcia de repartiie: F( x ) P( X x ) 6 2
1 1 1 2
6 2 3 , dac 1 x 2,
3
1, dac x 2
Graficul funciei de repartiie este:
36 Elemente de teoria probabilitilor i statistic matematic
F(x)
2/3
1/6
1/2 1 2 x
R 2 verific condiiile:
i) are o mulime cel mult numrabil de valori;
ii) ( x, y) R 2 , (X x, Y y) K .
Definiie 1.8.2. Numim distribuia sau repartiia vectorului aleator
(X,Y) de tip discret tabloul:
Y y1yj
X
x1 p11p1j unde ( x i , yi ) sunt
valorile pe care le ia
vectorul aleator (X,Y),
xi pi1pij
iar p ij P(X x i , Y y i
..
..
..
.
. ).
Elemente de teoria probabilitilor 37
Y
X 2 6
1 0,20 0,10
3 0,05 0,15
4 0,45 0,05
38 Elemente de teoria probabilitilor i statistic matematic
1 3 4
X:
.
0,30 0,20 0,50
2 6
Analog, variabila Y are repartiia Y: q q , unde
1 2
3 4 6 7 8 10
Avem: X+Y: .
0, 20 0,05 0,45 0,10 0,15 0,05
2) F'(x) = ( x ) a.p.t. pe R.
b
3) P(a X<b) = a
( x )dx .
4) ( x )dx 1.
Observaie 1.9.3.
1. Pentru o variabil de tip continuu P(X=a)= 0, deci P(a X<b) =
b
P(a<X<b) = P(a X b) = P(a<X<b) = a
( x )dx .
F ( x x ) F ( x ) P ( x X x x )
2. ( x ) F ' ( x) lim lim ,
x 0 x x 0 x
deci cnd x este mic avem P(x X x x ) ( x ) x .
Definiie 1.9.4. Fie vectorul aleator (X,Y) avnd funcia de repartiie
F, spunem c (X,Y) este un vector aleator de tip continuu, dac funcia de
repartiie F se poate pune sub forma:
x y
F(x,y) =
(s, t ) ds dt , ( x , y) R 2 , iar funcia : R 2 R
2 F( x , y)
2) ( x , y) a.p.t. pe R 2 .
xy
2
3) P((X,Y) D) ( x, y ) dx dy, D R .
D
4) R2
( x , y) dx dy 1 .
5) X (x)
( x , y)dy, x R ;
Y ( y )
( x, y ) dx, y R .
2 3 1
ceea ce implic ecuaia n k, k 1 xy 2 dxdy 1 , verificat pentru k
1 13
.
n acest caz funcia de repartiie va fi
0 , dac x 1 sau y 1
1 2
( x 1)( y 1)
3
, dac x, y 1,2 1,3
78
1
, dac y 1,3 i x 2
x y
F ( x, y ) uv 2 dudv ( y 3 1)
26
1 1
1 ( x 2 1) , dac y 1,2 i y 3
2
1 , dac x 2 i y 3
i deducem de asemenea c funciile de repartiie marginale sunt, respectiv,
Elemente de teoria probabilitilor 41
0 , x 1 0 , y 1
1 2 1 2
FX ( x) ( x 1) , x 1,2 ; FY ( y ) ( x 1) , y 1,3
3 3
1 ,x2 1 , y 3
Demonstraie:
Presupunem c variabilele aleatoare X i Y sunt independente,
atunci F(x, y) = FX(x) FY(y). Derivm aceast relaie n raport cu x i
F ( x, y )
respectiv y, rezult c ( x, y ) FX/ ( x) FY/ ( y ) X ( x) Y ( y )
xy
F ( x, y )
( s, t )dsdt
X ( s ) Y (t )dsdt
X ( s )ds Y (t )dt FX ( x) FY (
x u
Observaie 1.10.3.
1) Dac X,Y sunt independente, atunci:
z (x)
X ( u ) Y ( x u )du, x R .
x du
2) Dac U= X Y , atunci U ( x ) (u , u ) u , x R .
X
3) Dac V , atunci V (x) ( xu , u ) u du , x R .
Y
Demonstraie:
Presupunem c g este strict cresctoare i avem:
FY ( x) P(Y x) P( g ( X ) x) P( X g 1 ( x)) FX ( g 1 ( x))
Prin derivare se obine c:
X ( g 1 ( x))
Y ( x) FY/ ( x) ( g 1 ( x)) / FX/ ( g 1 ( x))
g / ( g 1 ( x))
Deoarece g este cresctoare, avem g/>0, deci
Elemente de teoria probabilitilor 43
X ( g 1 ( x))
Y ( x) / 1
g ( g ( x))
Exemplul 1.10.5. Se consider variabila aleatoare X de tip continuu,
care are densitatea de probabilitate ( x ) a e x , x R unde a R . S se
determine:
a) parametrul real a;
b) funcia de repartiie a variabilei aleatoare X;
c) probabilitile P (0 X 2) i P(X 0 X [-2,2]).
Rezolvare:
a) Deoarece funcia este o densitate de probabilitate, rezult c
( x ) 0, de unde a 0, i se impune ca -
(x)dx 1 .
Avem: a - dx 2a e x dx 2a (e x )
x
e 0
2a
0
1
Rezult: 2a=1, de unde a .
2
b) folosind densitatea de probabilitate avem:
1 x
e , dac x 0
x 1 x t 2
F(x) (t)dt e dt
2 1 - 1 e x , dac x 0
2
1 x t 1 1 x
x
Dac x 0, atunci i t 0 iar F(x) e dt e t
e .
2 2 2
1 0 t 1 x 1 1 1 x
e dt e t dt ( e t )
x
Dac x>0, atunci F(x) = 0
1 e .
2 2 0 2 2 2
c) Folosind funcia de repartiie avem:
44 Elemente de teoria probabilitilor i statistic matematic
1 1 1 1
P(0 X 2) F(2) - F(0) 1 - e 2 1 2 .
2 2 2 e
A doua probabilitate este o probabilitate condiionat, deci
1 1 2 1 1
P(2 X 0) F(0) F(2) e 1 2
2 2 2 e
unde
1 1 1
P(2 X 2) F(2) F(2) 1 e 2 e 2 1 2
2 2 e
1
Se obine: P(X 0 X [2,2]) .
2
Exemplul 1.10.6. Se consider funcia f ( x ) 3x 2 1, x [1,3] .
a) s se arate c f(x) nu este o densitate de probabilitate.
b) s se modifice f(x) astfel nct noua funcie ( x ) s fie o
densitate de probabilitate.
3
c) s se calculeze probabilitatea P(1 X 2) i P X .
2
Rezolvare:
a) Analiznd cele dou condiii ale unei densiti de probabilitate se
obine:
1) f ( x ) 3x 2 1 0 dac x [1,3]
3 3
2)
1
f ( x )dx
1
(3x 2 1)dx 24 1 , deci f(x) nu este o densitate
de probabilitate.
Elemente de teoria probabilitilor 45
1 1
( x ) f (x) (3x 2 1), x [1,3] , atunci obinem ( x ) care este o
24 24
densitate de probabilitate.
c) Pentru a calcula probabilitile cerute se poate proceda n dou
moduri:
1) folosind funcia de repartiie F(x). Aceast funcie este:
0, dac x 1
1
F(x) (x 3 x), dac x [1,3]
24
1, dac x 3
1 1
P(1 X 2) F(2) F(1) (2 3 2)
24 4
De aici 1 3
3
3
3 3 5
P X F
2 24 2
2 2
64
3 3 5
P X 2 ( x )dx
2 1 64
xi
Definiie 1.11.1.Fie variabila aleatoare X cu distribuia X ,i I .
pi
Se numete valoare medie, caracteristica numeric M ( X ) x i pi .
iI
Observaii 1.11.2.
1) Dac I este finit, valoarea medie exist.
2) Dac I este infinit numrabil, M(X) exist cnd seria care o
definete este absolut convergent.
x
Definiie 1.11.3. Fie variabila aleatoare X de tip continuu X ,
(x)
x R . Se numete valoarea medie a variabilei X, caracteristica numeric
M(X)
x (x)dx . Valoarea medie exist atunci cnd integrala
improprie care o definete este convergent.
Proprietile valorii medii 1.11.4. Au loc afirmaiile :
Elemente de teoria probabilitilor 47
1) M(a X b) a M(X) b, a, b R
2) M(X + Y) = M(X) + M(Y)
3) X,Y independente M(X Y) = M(X) M(Y)
Demonstraie:
a) Fie variabilele aleatoare de tip discret X, Y avnd repartiiile
xi yj
X , Y
pi iI q j j J
1. Avem
axi b
dac variabila aX b are repartiia aX b i p i 1.
p i iI iI
xi y j
2. Variabila X+Y are repartiia X Y
,
pij ( i , j )I J
pij P ( X xi , Y y j )
Rezult
M ( X Y ) ( xi yi ) pij xi pij y j pij
i I j J i I j J iI j J
xi pi y j q j M ( X ) M (Y )
i I j J
xi y j
3. Variabila XY are repartiia XY p q dac X i Y sunt
i j ( i , j )I J
independente.
Avem M ( XY ) xi y j pi q j
i I j J i I
xi pi y j q j M ( X ) M (Y )
j J
48 Elemente de teoria probabilitilor i statistic matematic
t ( (u, t )du)dt u ( (u, t )dt )du t
X (t ) dt u
Z (u ) du M (Y ) M ( X
tu
X (u ) Y (t ) dtdu u
X (u ) du t
Y (t )dt M ( X ) M (Y )
Dispersia
Definiie 1.11.5. Se numete dispersia (variana) variabilei aleatoare
se
numete abatere medie ptratic.
iI
a)
D 2 ( X ) M X M ( X ) M X 2 2M ( X ) X M ( X )
2 2
M ( X ) 2 M ( X ) M ( X ) M ( X ) M ( X ) M ( X )
2 2 2 2
D 2 (aX b) M (aX b aM ( X ) b) 2 M a 2 X M ( X )
2
2
a M X M ( X )
2
a D (X )
2 2
Calculm
D 2 ( X Y ) M X Y M ( X Y ) M
2
X M ( X ) Y M (Y ) 2
M X M ( X ) Y M (Y ) 2 X M ( X ) Y M (Y )
2 2
M X M ( X ) M Y M (Y ) 2 M X M ( X ) M Y M (Y )
2 2
D 2 ( X ) D 2 (Y )
2 1 0 1 2 3
X : 1 2 2 5 1 1
12 12 12 12 12 12
atunci deducem c:
1 2 2 5 1 1 1
M ( X ) 2 1 0 1 2 3
12 12 12 12 12 12 2
1 2 2 5 1 1
M (X 2) 4 1 0 1 4 9 2
12 12 12 12 12 12
1 7
D 2 ( X ) M ( X 2 ) M ( X ) 2
2
4 4
7
(X ) D2 ( X )
2
Aplicaia 1.11.8. Dac X este variabil aleatoare continu
x
x
X :
,
, ( x ) 4
x 1,3
( x ) 0,
n rest
atunci deducem c:
Elemente de teoria probabilitilor 51
3 3
3 x3 13 3 x4
M (X )
1
x ( x ) dx
12 1
6
, M (X 2)
1
x 2 ( x )dx
16 1
5
169 11
D 2 ( X ) M ( X 2 ) M ( X ) 5
2
36 36
11
(X ) D2 ( X )
6
Momente
Definiie 1.11.9. Se numete moment iniial (obinuit) de ordin k al
D 2 (X) 2 12
xi
Dac X este variabil de tip discret avnd repartiia X : ,
pi iI
p i 1 atunci k xik pi
i I i I
x
Dac X este variabil de tip continuu X : atunci
( x ) xR
k x k ( x)dx
R
xi M ( X ) k pi , X discret
iI
k
xi M ( X ) ( x)dx , X continu
k
R
52 Elemente de teoria probabilitilor i statistic matematic
2 D 2 (X)
Teorema1.11.13. ntre momentele centrate i momentele iniiale
k
exist urmtoarea relaie: k (1) C k k i 1 .
i i i
i0
Demonstraie:
Avem
M X M ( X ) M X M C X
k
k ( 1 )i
k k i k i
1 k
i 0
k k k
M (1)i Cki X k i 1i (1)i Cki M ( X k i ) 1i (1)i Cki k i 1i
i 0 i 0 i 0
xi M ( X ) r y j M (Y ) s pij , ( X , Y ) discret
iI jJ
rs
x M ( X ) y M (Y ) ( x, y )dxdy , (X, Y) continuu
r s
R2
Elemente de teoria probabilitilor 53
Observaie 1.11.17.
1 o M(X ), 0 1 M (Y), 2 0 D 2 (X), 0 2 D 2 (Y )
m
C ai X i , b jY j aib j C X i , Y j ,
n m n
oricare ar fi
i 1 j 1 i 1 j 1
variabilele aleatoare Xi i Yj i oricare ar fi constantele reale ai i bj, 1 i m
,1 j n
C ( X , Y ) C (Y , X ) , oricare ar fi X i Y.
Observaie 1.11.21.
1) X, Y independente r (X, Y ) 0 reciproc nu este adevrat;
2) Spunem c X,Y sunt necorelate dac r(X,Y) =0
Proprieti:
a) r ( X, Y ) 1
b) r ( X , Y ) 1 Y a X b, a 0
c) r ( X , Y ) 1 Y aX b, a 0
54 Elemente de teoria probabilitilor i statistic matematic
13 1 35
D(Y 2 ) M (Y 2 ) [ M (Y )]2
12 9 36
1 1 1 1 1 1 1 1
M ( XY ) 1 1 0 1 2 0 1 0 1 2
6 12 12 24 24 6 12 24
1 1 1 1 5
1 1 0 1 2
24 24 6 24 24
5 1 17
C ( X , Y ) M ( XY ) M ( X ) M (Y )
24 36 72
17
C ( X ,Y ) 12
r ( X ,Y ) 0,295
D 2 ( X ) D 2 (Y ) 95 35
144 36
Observaie 1.11.23. Coeficientul de corelaie r ( X , Y ) reprezint
prima msur a corelaiei sau gradului de dependen n sens clasic. Introdus
de ctre statisticianul englez K. Pearson n anul 1901 ca rod al colaborrii
acestuia cu antropologul englez F. Galton (care a avut prima idee de msurare
a corelaiei sub denumirea de variaie legat), aceast msur a gradului de
dependen a fost criticat nc de la apariiei ei pentru diverse motive,
printre care i aceea c:
1) este dependent de valorile vectorului aleator
( X , Y ) i ca urmare nu este aplicabil pentru cazul variabilelor
aleatoare necantitative;
2) nu este precis n cazul independenei i al necorelrii
deoarece dac r ( X , Y ) 0 nu exist un rspuns categoric (n
sensul independenei sau necorelrii);
3) nu poate fi extins la mai mult de dou variabile
aleatoare sau chiar la doi sau mai muli vectori aleatori, fapte
cerute de practic.
56 Elemente de teoria probabilitilor i statistic matematic
se noteaz prin C (Z ) , dac exist, matricea C(Z ) cij i1,n C X i ,Yj i, j1,n
j 1,n
Observaie 1.11.25.
a) Pentru cazul unui vector aleator bidimensional, a nu
se face confuzie ntre media produsului componentelor X i Y,
care este M ( XY ) i media vectorului ( X , Y ) care este
M ( X ,Y ) .
Elemente de teoria probabilitilor 57
1 1 1 5
p211 ; p212 ; p221 ; p222 .
8 4 16 16
S se determine repartiiile bidimensionale i unidimensionale ale
Rezolvare:
Avem imediat repartiiile bidimensionale
1 1
p p
11 111 112 8 p p12 p121 p122
8 pentru X , X
3
;
3 1 2
2 4
M ( X 2 ) 2 ; M ( X 22 ) 5 ; D 2 ( X 2 ) 1
55 101 207
M (X3) ; M ( X 32 ) ; D2 ( X 3 )
16 8 256
M ( X1 X 2 ) 1 ; M ( X 1 )M ( X 2 ) 1 ; C ( X1, X 2 ) 0 ; r ( X1, X 2 ) 0
29 55 3
M ( X1 X 3 ) ; M ( X1 )M ( X 3 ) ; C ( X1, X 3 ) ;
16 32 32
3
r ( X 1, X 3 ) 0,12
207
113 55
M (X 2 X3) ; M ( X 2 )M ( X 3 ) ;
16 8
3 3
C( X 2, X3) ; r( X 2, X 3) 0,21
16 207
Observaie 1.11.28.
1. Dac F este funcia de repartiie i este continu atunci M e se
1
determin din ecuaia F(Me) .
2
ab
2. Dac M e (a, b] atunci se ia M e
2
Definiie 1.11.29. Se numete valoare modal sau modul a variabilei
aleatoare X orice punct de maxim local al distribuiei lui X (n cazul discret)
respectiv al densitii de probabilitate (n cazul continuu).
Observaie 1.11.30. Dac exist un singur punct de maxim local
spunem c legea lui X este unimodal altfel o numim plurimodal.
Definiie 1.11.31. Se numete asimetria (coeficientul lui Fischer)
3
variabilei aleatoare X caracteristica numeric definit prin s .
3
Definiie 1.11.32. Se numete exces al variabilei aleatoare X,
4
caracteristica numeric definit prin e 3.
4
Observaie 1.11.33.
1) Dac e<0 atunci graficul distribuiei are un aspect turtit i legea se
numete platicurtic.
2) Dac e>0 atunci graficul distribuiei are un aspect ascuit i legea
va fi numit leptocurtic.
3) Dac e = 0 atunci repartiiile sunt mezocurtice.
Definiia 1.11.34. Dac X este o variabil aleatoare cu funcia de
repartiie F (x ) , se numesc cuartile (n numr de trei) ale lui X (sau ale
repartiiei lui X) numerele q1 , q2 i q3 cu proprietile:
Elemente de teoria probabilitilor 61
1 1 3
F (q1 ) 4 F ( q2 ) 2 F (q3 ) 4
1 1 3
F (q1 0) F ( q2 0) F (q3 0)
4 2 4
Observm c q2 M e .
Exemplul 1.11.35. Se consider variabila aleatoare
1 0 2
X : .
0,2 0,3 0,5
M ( 4X 2) 4M ( X) 2 4 0,8 2 1,2
1 1 x , dac x (0,2)
(x)
0, altfel
Rezolvare:
62 Elemente de teoria probabilitilor i statistic matematic
x, dac 0 x 1
Observm c: ( x) 2 - x, dac 1 x 2
0, altfel
innd seama de definiie avem:
1 2 x3 x3
M (X) x 2 dx x (2 x )dx
1 2 2
x (x)dx 0
x2 1
1
1
0 1 3 3
1 2 x4 x3 x4 7
M (X 2 ) x 2 ( x )dx x 3 dx x 2 (2 x )dx
1 2 2
0
2 1
1
0 1 4 3 4 6
7 1
D 2 (X) M (X 2 ) M(X)
2
1
6 6
Exemplul 1.11.37. Fie vectorul aleator (X,Y) cu densitatea de
1
(x y 1), x [0,1], y [0,2]
Deci ( x, y) 5
0, n rest
1 2 2x 4
b) X ( x ) ( x , y)dy ( x y 1)dy , x [0,1]
5 0 5
2x 4
, x [0,1]
X (x ) 5
0, altfel
1 1 2y 3
y ( y)
( x , y)dx
5 0
( x y 1)dx
10
, y [0,2]
2y 3
, y [0,2]
Y (y) 10
0, altfel
c) X i Y nu sunt independente deoarece: ( x, y) X ( x ) Y ( y)
d)
1 1 8
M(X)
x( x , y)dxdy
x X ( x )dx
5 0
x ( 2 x 4)dx
15
1 2 17
M( Y)
( x, y)dxdy
y Y ( y)dy
10 0
y(2 y 3)dy
15
1 1 2 11
2 (X) M (X 2 )
x 2 X ( x )dx
5 0
x ( 2 x 4)dx
30
1 2 2 8
2 (Y) M(Y 2 )
y 2 Y ( y)dy
10 0
y ( 2 y 3)dy
15
11 64 37
D 2 ( X) M ( X 2 ) M ( X )
2
Deci
30 225 450
64 Elemente de teoria probabilitilor i statistic matematic
8 289 71
D 2 ( Y) M ( Y 2 ) M (Y )
2
5 225 225
1 1 2
M (X Y )
xy (x, y)dxdy
5 0
dx xy ( x y 1) dy
0
1 1 2 14 9
5 0
2x x dx
3 15
C ( X , Y ) M ( XY ) M ( X ) M (Y )
9 8 12 1
15 15 15 225
.
1
C( X ,Y ) 225
Se obine: r ( X , Y ) 0,02758
37 71
X Y
450 225
Exemplul 1.11.38. Se tie c, dac dou variabile aleatoare X i Y
sunt independente, atunci coeficientul lor de corelaie este nul. Reciproca nu
este adevrat. Iat un vector aleator discret (X,Y), n care X i Y sunt
dependente i totui r 0 .
Y
-1 1 2
X
0 1 2 3
16 16 16
1 2 2
0
16 16
2
1 2 3
16 16 16
Rezolvare:
Elemente de teoria probabilitilor 65
7 3 3
Avem: M( X) 1; M (X 2 ) ; D 2 (X) ; X
4 4 2
5 3 10
M (Y ) 1; M (Y 2 ) ; D 2 (Y) ; Y
2 2 2
2 1 0 2 4
XY: 1 2 6 4
3 , M(XY)=1
16 16 16 16 16
M(X Y) - M(X)M(Y) 11
r 0
X Y 3 10
2 2
Exemplul 1.11.39. Fie X o variabil aleatoare care are densitatea de
0, x (0,2)
probabilitate definit prin: (x ) .
1/ 2, x (0,2)
a) S se determine modulul i mediana
b) S se calculeze momentul de ordin k, k ( x ) ..
Rezolvare:
a) Conform definiiei, M0 este valoarea pentru care ( x ) max .
adic M 0 (0,2) adic exist o infinitate de valori modale situate pe
1
segmentul (0,2). Me se determin din ecuaia F ( M e ) .
2
Me Me
Cum F(M e ) P(X M e ) 0 ( x )dx M e 1.
2
66 Elemente de teoria probabilitilor i statistic matematic
1 2k
b) k (X) M(X ) x dx
k k
.
2 k 1
totalitate cu funciile caracteristice X (t ) j (t ), j 1, m , atunci funcia
j
m
X (t ) 1 (t ) 2 (t ) ... m (t ) j (t )
j 1
(t ) p
k K
k e itx k p
k K
k eitx p
k K
k 1 dac X este de tip discret i
R R R
continuu.
2) Avnd n vedere proprietile valorii medii, putem scrie c
m m
X (t ) M (eitX ) M (eitX eitX ... eitX ) M (e ) j (t )
1 2 m
itX j
j 1 j 1
X( r ) (0) i r M ( X r ) i r r ( X )
Observaie 1.12.5. Folosirea relaiei de la punctul 4) este
recomandabil doar atunci cnd calcularea momentelor este mai comod prin
aceast relaie dect pornind direct de la definiia acestora.
Aplicaie 1.12.6.
1 0 1
1) Dac X : atunci
1 6 1 2 1 3
68 Elemente de teoria probabilitilor i statistic matematic
1 it 1 1 it 2eit e it 3
(t ) e e
6 2 3 6
1
x 2 2ix itx
2) Dac X : , x 0,1 atunci (t ) 2 xe dx
itx
e
2x 0
e2
x
1 it
0 e e dx 1 t 2
x itx
3) Dac X : e x , x 0 atunci (t )
Definiie 1.12.7. Fie X o variabil aleatoare real definit pe cmpul
de probabilitate E , K , P . Se numete funcie generatoare de momente,
3) Dac Y aX b , a i b R, atunci
GY (t ) G X (at ) etb
Elemente de teoria probabilitilor 69
G X( r ) (0) M ( X r ) r ( X ) , r 1, 2, ...
Aplicaie 1.12.9.
1 0 1
1) Dac X : atunci
1 6 1 12 2 3
1 t 1 1 t 2e t e t 3
G (t ) e e
6 2 3 6
x
2) Dac X : x , x 0 , 0 atunci
e
G (t ) e x e tx dx , dac t
0
t
n
Considerm relaia: ( pt q ) Cn p q t
n k k nk k
k 0
n
avem np kCn p q M ( X )
k kq n 1
k 0
X( k ) (0)
k , k 1,2,...
ik
Repartiia hipergeometric 1.13.6.
Spunem c variabila aleatoare X de tip discret urmeaz urmeaz
legea hipergeometric, dac are distribuia
k C kC nk
X : k 0, n , unde P(n, k ) a n b , iar n min(ab)
P(n, k ) Ca b
C
k 0
k
a Cbnk Canb .
Demonstraie:
Conform relaiei de definiie a valorii medii avem
n
1 n
M(X)= kP( n, k ) n
kCak Cbnk
k 0 C a b k 0
a n
Canb11 a
=
Canb
Cak11Cbnk a
k 1
n
C a b
n
a b
np
k 1
dac s-a avut n vedere relaia lui Vandermonde i relaia kCa aC a1
k
n n
1
M ( X 2 ) k 2 P ( n, k ) k 2
Cak Cbnk
k 0 Canb k 0
a n
1 n n
=
Canb
[k (k 1) k ]Cak Cbnk
k 0
n
C a b k 0
k ( k 1)C k nk
C
a b
k 0
kCak Cbnk
dar k(k-1) Cak a (a 1)Cak22 iar k Cak aCak11
a n
a (a 1) n k 2 nk
deci M ( X )
2
Canb
Cak11Cbnk
k 1
C a 2 Cb
Canb k 2
Elemente de teoria probabilitilor 73
a a (a 1) n2 na a (a 1)
= Canb11 C a b 2 n( n 1)
n
C a b n
C a b ab ( a b)(a b 1)
dac s-a avut n vedere relaia lui Vandermonde. Se obine
n(n 1)a ( a 1) n2a 2
D 2 ( X ) M ( X 2 ) [ M ( X )]2 =
(a b)(a b 1) ( a b) 2
na b abn N n
npq
a b a b a b 1 N 1
Repartiia Poisson 1.13.8.
Spunem c variabila aleatoare X de tip discret urmeaz legea lui
Poisson, dac are distribuia
k k
X: k 0,1,2,... unde P ( ) e , iar 0
Pk ( ) k!
k
k 1
kPk ( ) e k e e e
k 0 k 0 k! k 1 ( k 1 )!
74 Elemente de teoria probabilitilor i statistic matematic
Calculm
k 1
M(X )= k 2 Pk ( ) e k
2
k 0 k 1 (k 1)!
k k 1
k 1
e [(k 1) 1] e (k 1)
k 1 (k 1)! k 1 (k 1)! k 1 (k 1)!
k 2
k 1
= 2e e 2 e e e e 2
k 2 (k 2)! k 1 ( k 1)!
Obinem
D 2 ( X ) M ( X 2 ) [ M ( X )]2 2 2 .
ntr-adevr avem
k
(eit ) k e
X (t ) M (eitX ) eitk Pk ( ) eitk e e
it it 1
e e e (e )
k 0 k 0 k! k 0 k!
k 1 k 1 k 1
q / p 1
= p (1 2q 2q ...) p( q q q ...) p( ) .
2 2 3 /
1 q (1 q) 2
p
Calculm
M(X ) k P(k ) k pq p k q =
2 2 2 k 1 2 k 1
k 1 k 1 k 1
1 1 q 1 q
= p(q )/ = p 2 .
(1 q ) 2
(1 q ) 3
p
1 q 1 1 q 1 q
Obinem D ( X ) M ( X ) [ M ( X )] 2 2.
2 2 2
p2 p p2 p
ntr-adevr avem
p
X (t ) M (eitX ) eitk pq k 1 (eit q)k
k 1 q k 1
pe it
= peit (1 qeit ( qe it ) 2 ...) qeit 1 .
1 qe it
1) P(-n,k)=C n1 p n q k n 0 , k n, n 1,... n N *
k 1
2) P( n, k ) Ck 1 q p n Ckn11q k n p n (1 q ) n 1
n 1 k n
k n k n k n
Demonstraie:
Avem M(X)= kCk 1 p q p n q n1 kCkn11q k 1
n 1 n k n
k n k n
n n1 qn n n1 nq n1 n
=p q ( ) /
p q n1
.
(1 q ) n
(1 q ) p
Obinem
n[ n p q ] n n 2 nq
D2 ( X ) 2 2 .
p2 p p p
ntr-adevr
78 Elemente de teoria probabilitilor i statistic matematic
X (t ) M (eitX ) eitk Ckn11 p n q k n
k n
Ckn11 p n ( qeit ) k n eitn Ckn11 ( peit ) n (qeit ) k n
k n k n
n
peit
( pe ) it n
C n 1
k 1
it
( qe ) k n
( pe )
it k n
( pe ) (1 (qe ))
it n it n
1 qe
it
k n
Repartiii continue
Repartiia uniform(rectangular) 1.13.19.
Spunem c variabila aleatoare X urmeaz legea uniform pe
intervalul [a,b],dac are densitatea de probabilitate
1
, dac x [a, b]
( x) b a
0 , dac x [ a, b]
b
1
2)
( x)dx a
ba
dx 1
(x)
1
ba
0 a b x
Elemente de teoria probabilitilor 79
ntr-adevr:
x x
- dac x a F ( x) (t )dt
0dt 0
x a x
1 xa
- dac x ( a, b] F ( x ) (t )dt
0dt
a
ba
dt
ba
x a b x
1
- dac x b , F ( x ) (t )dt
0dt
a
b a b
0dt 1
F (x )
0 a b x
Avem
1 a 2 ab b 2
M (X 2) x ( x)dx b a
2 2
x dx
3
a 2 ab b 2 a b 2 (b a ) 2
rezult D 2 ( X ) ( )
3 2 12
M ( X ) ( a b) 2 , avem valoarea median egal cu valoarea medie .
Observaia 1.13.23.
a)Din simetria graficului funciei densitate de probabilitate, n raport
cu valoarea medie M ( X ) (a b) 2 , avem valoarea median egal cu
valoarea medie.
b)Tot cu ajutorul graficului se observ c valoarea modal nu exist.
Repartiia exponenial negativ 1.13.24.
Spunem c variabila aleatoare X urmeaz legea exponenial de
parametru 0 , dac are densitatea de probabilitate:
e x , dac x 0
( x)
0 , dac x 0
Evident aceast funcie satisface condiiile:
1) ( x) 0 xR
( x)dx e dx e 1
x x
2) 0
0
Demonstraie:
Avem
1
x ( x)dx xe
x
M (X ) dx .
0
Calculm:
M (X 2) x ( x)dx x e x
2 2
0
1 2 2 1 2
x ( e x )dx x 2 e x 2 xe x dx xe
x
2
dx
0
0
0
0
2
2 1 1
Obinem D ( X ) M ( X ) [ M ( X )] 2 2 .
2 2 2
Observaia 1.13.27.
a)Funcia caracteristic asociat unei variabile aleatoare X ce
urmeaz legea exponenial are expresia X (t )
it
ntr-adevr avem
e ( it ) x
e e dx e ( it ) x dx
x
X (t ) M (e itX
) itx
( x)dx itx
e
0 0
it 0 it
k!i k
b)Deoarece avem X( k ) (t ) k 1,2,...
( it ) k 1
folosind relaia k
X( k ) (0) k!
k k k 1,2,...
i k
Repartiia normal 1.13.28.
Spunem c variabila aleatoare X urmeaz legea normal (legea lui
Gauss)de parametri m R i 0 , N (m, )) dac are densitatea de
probabilitate
82 Elemente de teoria probabilitilor i statistic matematic
( x m) 2
1
( x) e 2 2
, xR
2
n mod evident avem:
1) ( x) 0 , x R , 0
( xm )2
1 2
2) ( x )dx e 2 2
dx e
t 2
dt 1
2 0
xm
dac s-a fcut schimbarea de variabil t , dx 2dt .
2
Demonstraie:
Avem
( xm )2
1
M ( X ) x ( x)dx xe 2 2
dx .
2
xm
Se face schimbarea de variabil t , dx 2dt .
2
Rezult
1 2m 2
2 ( m 2t )e t dt e dt te
2 2
t t 2
M (X ) dt m
2 0
( x m )2
1
D ( X ) ( x m) ( x ) dx
2 2
( x m)
2
e 2 2
dx
2
4 2 2 2 2 2 t 2 2 2
t e dt t (e )dt e
2 2
t 2
2 t 2 t
te dt 2
0 0 0 0
1)
(x
2
0 m m m x
i are graficul
F (x )
1
84 Elemente de teoria probabilitilor i statistic matematic
1
2
0 m x
x t2
1 xm 1
F ( X ) (
2
) unde ( x)
2 0
e 2 dt , x R
este funcia lui Laplace. Funcia lui Laplace are valorile tabelate pentru
argumente pozitive .Dac x<0 atunci ( x ) ( x ).
Observaia 1.13.32. Dac parametrii m i au valorile 0 respectiv
1, atunci spunem c X urmeaz legea normal i normat sau legea normal
redus.
Teorema 1.13.33. Dac X este o variabil aleatoare ce urmeaz
legea normal N (m, ) , m R i 0 iar a, b R , a b, atunci
bm am
P( a X b) ( ) ( ) unde m M ( X ) 2 D 2 ( X )
Demonstraie:
Avem
1 bm 1 am
P ( a X b) F (b) F ( a ) [ ( )] [ ( )]
2 2
bm am
( ) ( )
Repartiia gamma 1.13.34.
Elemente de teoria probabilitilor 85
x
a 1
( a ) e x dx .
0
2) ( x )dx 1
n cazul particular a 1, b 1
1
aleatoare ce urmeaz legea gamma are expresia X (t ) ,t R
(1 itb) a
ntr-adevr
x
1
X (t ) M (eitX ) eitx ( x)dx e x e b dx
itx a 1
(a )b a 0
1
1 ( it ) x 1 b 1
y
a 1 a 1 y
x e b
dx ( )a e dy
(a )b a 0
(a )b 1 itb
a
0
(1 itb) a
X( k ) (0) k
k b (a 1)(a 2)...(a k 1) k 1,2,...
ik
n particular , gsim
M ( X ) ba, M ( X 2 ) b 2 a ( a 1) i apoi D 2 ( X ) M ( X 2 ) [ M ( X )]2 b 2 a
x
a 1
B ( a, b) (1 x)b 1 dx
0
1
1
k M (X k ) x ( x)dx B( a, b) 0
x k x a 1 (1 x) b1 dx
k
1
1 B ( a k , b) a ( a 1)...( a k 1)
B ( a , b) 0
x a k 1 (1 x) b1 dx
B ( a, b )
( a b)(a b 1)...( a b k 1)
k 1,2,...
n particular se obine
a a (a 1)
M ( X ) 1 , M (X 2) 2
ab (a b) 2 (a b 1)
ab
i D 2 ( X ) M ( X 2 ) [ M ( X )]2
(a b) 2 (a b 1)
n
n x2 e 2 2
dx , dac x 0
( x) ( ) n 2 2 0
2
0 , dac x 0
2)
n n
x n ( )
22 n
n
1 1 1
2 1
( x)dx x t
t
2
e 2 2
dx 2
e dt
n
n
n n 2
n
n
( ) n 2 2 0
( ) 2 0 ( )
2 2 2
dac s-a fcut schimbarea de variabil t x 2 2 .
Observaia 1.13.41. Legea 2 numit i legea Helmert-Pearson
este un caz particular al legii gamma, anume, pentru an 2 i b 2 2 .
Observaia 1.13.42. Expresia momentelor de ordin k pentru o
variabil aleatoare X avnd repartiia 2 (hi-ptrat) se obine astfel:
n x
1 n x n
x x e k 2 2 2
1 2k 2k
k x ( x)dx
k
dx n
x 2 k 1
e 2 2
dx t 2 k 1 e t dt
n
n
n n
0
( ) n 2n 2 ( ) n 2 2 0 ( ) 0
2 2 2
n
( k )
2 n n n
2k 2k 2 k 2 k ( 1)...( k 1) 2 k n(n 2)( n 4)...( n 2k 2), k 1,2
n 2 2 2
( )
2
n particular se obine
M ( X ) 1 n 2 , M ( X 2 ) 2 n(n 2) 4 respectivD2 ( X ) 2 12 2n 4.
Observaia 1.13.43. Funcia de repartiie asociat unei variabile
aleatoare X ce urmeaz legea 2 (hi-ptrat)este de forma
Elemente de teoria probabilitilor 89
F ( x) P( X x) P ( 2 q2 ) F ( q2 )
x q2 n x
1
n
n x 2 1
e 2 2
dx 1 P( 2 q2 ) 1 q
( ) n 2 2 0
2
unde q sunt probabiliti de forma
n x
1 1
q P( ) x
2 2 2 2
q n
2
e dx
n
( ) n 2 2 x q2
2
i ele au semnificaia prezentat n desenul
F ( x) F ( x 2 )
q P ( x 2 xq )
0 xq2 e x2
( a ) (b) 1
B ( a, b) , ( )
( a b) 2
1
capt forma ( x) , x R , adic se obine densitatea de
(1 x 2 )
n 1
( ) n 1
2 x2
k 2 p x 2 p ( x)dx x 2 p (1 ) 2 dx
n n
n ( )
2
n 1 n 1
2 ( ) 2 n 1 n p ( ) 1 n p 1 1
2 x
2 p 1
n 0 n 0
x 2p
(1 ) 2
dx y 2
(1 y ) 2
dy
n ( ) 2 ( )
2 2
n 1 n 1
n p ( ) n p ( p ) ( p )
n
2 B ( p, p ) 1 2 2
n 2 2 n
( ) ( )
2 2
unde s,r>0.
Sunt verificate condiiile unei densiti de probabilitate adic
1) ( x) 0 x R n mod evident
92 Elemente de teoria probabilitilor i statistic matematic
rs r
) r s
( 1
2 x 2
2) ( x) dx r r 2s2 rs
dx
s
0 ( ) ( )
( rx s ) 2
2 2
rs r s
( ) 1 r 1 s
1
B( , )
2 2 2 1
s 0
y 2 (1 y ) 2 dx
r r s
( ) ( ) B( , )
2 2 2 2
unde s-a fcut schimbarea de variabil y rx (rx s ).
Observaia 1.13.48. Pornind de la definiia momentului de ordin k,
avem:
r s r
1
r2s2 x2
k M ( X ) x ( x) dx
k k
x
k
rx
dx
r s
B( , ) 0
( rx s ) 2
2 2
r s r s
k r s B( k , k )
k ( k ) ( k )
s 1 k 1 k 1 s 2 2 s 2 2
r B( r , s )
k y 2
(1 y 2
)dy k
r r s
( )k
r r s
0 B( , ) ( )( )
2 2 2 2 2 2
Particulariznd pe k se obine
s s2 r2
1 M ( X ) , s 2 , 2 M ( X 2 ) ,s 4
s2 r ( s 2)( s 4)
2 s 2 ( s r 2)
respectiv D2 ( X ) ,s 4
r ( s 2) 2 ( s 4)
D 2 (X)
P ( X M ( X ) ) 1 sau inegalitatea echivalent cu aceasta
2
D2 ( X )
P( X M ( X ) ) .
2
Demonstraie:
Presupunem c X este o variabil aleatoare de tip continuu, avnd
densitatea de probabilitate (x) . Atunci
D2 ( X ) ( x M ( X )) ( x ) dx ( x M ( X )) 2 p ( x )dx
2
D
94 Elemente de teoria probabilitilor i statistic matematic
( x M ( X )) ( x)dx 2 ( x )dx 2 P( X M ( X ) )
2
D D
Am obinut c D 2 ( X ) 2 P( X M ( X ) ) , rezult
D2 ( X )
P( X M ( X ) )
2
Folosind probabilitatea evenimentului contrar se obine i cealalt form a
D2 ( X )
inegalitii: P( X M ( X ) ) 1 P( X M ( X ) ) 1
2
Definiie 1.14.2. Spunem c irul de variabile aleatoare X n n 1
converge n probabilitate la variabila aleatoare X i notm
Xn
r
X dac lim Fn ( x ) F( x ) unde Fn i F sunt funciile de repartiie ale
n
2) X n
r
a , a R X n
p
a
Elemente de teoria probabilitilor 95
1 n 1 n 1 n 1 n
lim P X k M( X k ) 1 adic X k M (X k )
p
0.
n
n k 1 n k 1 n k 1 n k 1
1 2 n
aleatoare verific condiia lim 2 D X k 0 atunci acesta urmeaz legea
n n
k 1
numerelor mari.
Demonstraie:
1 n
Folosind inegalitatea lui Cebev pentru variabila X Xk
n k 1
1 n 1 n
lim P X k M ( X k ) 1 .
n
n k 1 n k 1
Teorema lui Cebev 1.14.8. Dac irul ( X n ) n 1 de variabile
aleatoare independente dou cte dou, au dispersiile egal mrginite (adic
1 2 n 1 n
1 n
L
Avem 2
D X k 2 D2 (X k ) L n 0 cnd n
n k 1 n k 1 n2 k 1
m 1 n
repetarea de rang n este pn atunci nlim P p k 1, 0, i unde
n n k 1
m este numrul apariiilor lui A n primele n repetri.
Elemente de teoria probabilitilor 97
Demonstraie:
Considerm Xk variabila care indic apariia evenimentului A la
repetarea de rang k a experimentului
0 1
X k unde p k P ( A) , q k 1 p k 1 P( A) P( A)
qk p k
D 2 ( X k ) M ( X k2 ) M ( X k ) p k p k2 p k (1 p k ) p k q k 1 , iar
2
n
m X k i conform teoremei lui Cebev rezult c irul X n n 1 urmeaz
k 1
m
este p la fiecare repetare, atunci nlim P p 1, 0, unde m
n
3 13 23 ... n 3
ir , i 1, r 3 i nlim 0 , atunci irul de
D 2 (X1 ) D 2 (X 2 ) ... D 2 (X n )
98 Elemente de teoria probabilitilor i statistic matematic
n n
X k M(X k )
variabile aleatoare ( Z n ) n 1 unde Z n
k 1 k 1
, converge n
n
D
k 1
2
(X k )
1 x t
2
lim Fn ( x )
n
2
e 2
dt, x R .
Observaie 1.14.13.
1) Problema limit este problema determinrii legii de probabilitate
a variabilei aleatoare Zn, cnd n.
2) Teorema limit este teorema care rezolv o problem limit.
3) Dac legea de probabilitate limit este legea normal atunci avem
teorema limit central.
Teorema Lindeberg-Levy 1.14.14. Dac irul de variabile aleatoare
independente ( X n ) n 1 sunt identic repartizate (urmeaz aceeai lege de
probabilitate) i exist
m M( X n ), 2 D 2 (X n ), 3 M X n M(X n ) , n 1,2,3,...
3
1 n
Xk m
n k 1
atunci irul de variabile aleatoare ( Z n ) n 1 unde Z n ,
n
converge
n repartiie la o variabil aleatoare ce urmeaz legea normal redus N(0,1)
1 x t
2
adic lim Fn ( x )
n
2
e 2
dt , x R .
Elemente de teoria probabilitilor 99
X np 1 b x
2
X np 1 b x
2
P a b e 2
dx .
npq 2 a
Demonstraie:
Fie variabilele aleatoare Xk, k 1, n independente i identic
n
0 1
repartizate X k q X X k , M ( X k ) p , D 2 ( X k ) pq
p k 1, n atunci
k 1
Xk p
n k 1
X k np
X np
Zn k 1
urmeaz legea N(0,1)dac n .
pq npq npq
n
X np 1 x
lim P x
2
Avem e t /2
dt i prin urmare
n npq 2
X np X np X np
lim P a b lim P b P a
n npq n npq npq
1 b 1 a 1 b
2 2 2
e x / 2 dx e x / 2 dx e x / 2 dx
2
2
2 a
Observaie 1.14.16.
1) Deoarece X=k, k=1,2,,n se obinuiete s se scrie
k np 1 b x
2
P a b e 2
dx .
npk 2 a
100 Elemente de teoria probabilitilor i statistic matematic
1 x t
2
k np
P a b ( b ) (a ) .
npq
b np
a np
3) P a k b
npq npq
1 2 3 4 5 6
X : . S se determine valoarea
0,05 0,10 0,25 0,30 0,20 0,10
P X M ( X ) 2 P 2 X M ( X ) 2 P 2 M ( X ) X 2 M ( X )
P (1,80 X 5,80) P ( X 2) ( X 3) ( X 4) ( X 5)
0,10 0,25 0,30 0,20 0,85
1,66
i P X M ( X ) 1 0,585
4
Exemplul 1.14.18. Se efectueaz 800 de probe independente. n 200
din ele probabilitatea apariiei unui rezultat ateptat a fost 0,5; n 400 de
probe aceast probabilitate a fost 0,4; iar n restul probelor a fost 0,3. S se
Elemente de teoria probabilitilor 101
630
P1800 X 2400 1 1 0,007 0,993
90000
De asemenea, se poate folosi teorema Moivre-Laplace adic:
2400 2100 1800 2100 300
P 1800 X 2400 2
630 630 630
2 11,95 2 0,15 1
s 2100 1 s 2100
0,003 2,75 deci s=2170.
630 2 630
2 1 1
D 2 (X ) M (X 2n ) M (X n )
2
1 ...
3 2 n
Elemente de teoria probabilitilor 103
1 2 n 1 n
Calculm lim 2
D X k lim 2 D 2
(X k )
n n
k 1 n n k 1
2 n 1 1 2 n 2 n
lim 1 ... lim (1 ln k ) lim (1 ln n )
2
n 3n k 1 2 k n 3n k 1
2 n 3n 2
k 1
i
2 1 k dx 1 2 n
lim n(1 ln n ) 0 dar 1 1 1 lim D X 0
n 3n 2 2 x n n2 k
k 1
n 0 n
independente, care au distribuiile X n : 1 1 , atunci irul
p0
n n
urmeaz legea numerelor mari.
Rezolvare:
Avem M ( X n ) 0 iar
1 1
D 2 ( X n ) M( X 2n ) n 0p 0 n 2 dac n2 iar
n n
9 6
Dar P( A1 A2 ) P( A1 ) P( A2 / A1 ) ,
15 14
6 9
iar P( A2 A1 ) P( A1 ) P( A2 / A1 )
15 14
9 6 18
de unde P (C ) 2 .
15 14 35
Am obinut i probabilitatea evenimentului de la punctul e)
P ( A1 A2 ) . Evenimentul de la punctul d) se exprim astfel : D A1 A2 .
12 1 17
P( F ) P( A1 A2 ) P( A1 A2 ) .
35 7 35
3.La un examen de licen particip mai muli absolveni, ntre
care numai trei din strintate. Probabilitatea ca primul student s promoveze
este , probabilitatea ca al doilea s promoveze este 4/5, iar pentru al treilea
5/6. S se determine probabilitile ca :
a)toi cei trei studeni s promoveze;
b)cel puin unul s promoveze examenul.
Rezolvare:
Fie Ai evenimentul promovrii examenului de ctre studentul i,
i=1,2,3. Evenimentul de la punctul a) este A A1 A2 A3 , iar de la punctul
b) este B A1 A2 A3 . Evenimentele Ai sunt independente (rezultatele
celor 3 studeni nedepinznd unul de celelalte), deci
3 4 5 1
P( A) P ( A1 ) P ( A2 ) P( A3 ) .
4 5 6 2
Folosind proprietile probabilitii avem :
P( B) P( A1 A2 A3 ) P( A1 A2 ) P( A3 ) P(( A1 A2 ) A3 )
P ( A1 ) P ( A2 ) P ( A1 A2 ) P ( A3 ) P (( A1 A3 ) ( A2 A3 ))
P ( A1 ) P( A2 ) P ( A1 A2 ) P ( A3 ) [ P ( A1 A3 ) P ( A2 A3 )
P (( A1 A3 ) ( A2 A3 )) P ( A1 ) P ( A2 ) P ( A3 )
P( A1 A2 ) P( A1 A3 ) P ( A2 A3 ) P( A1 A2 A3 ).
20 15 15
P( A1 ) ; P ( A2 ) ; P( A3 ) .
50 50 50
Fie A evenimentul ca documentul controlat s fie corect. Atunci A
/ A1, A / A2, A / A3 reprezint evenimentul ca documentul controlat s fie
corect tiind c el provine de la primul, al doilea, al treilea magazin. Prin
urmare : P(A/A1)=0,90; P(A/A2)=0,80; P(A/A3)=0,70 . Cum {A1, A2, A3} este
un sistem complet de evenimente
A1 A2 A3 E , A1 A2 A1 A3 A2 A3
C105 C50
b) P (5;5,0) ;
C155
C100 C55
c) P (5;0,5) ;
C155
1
Pe 1 P (5;0,5) 1 5 .
C15
Rezolvare:
Probabilitile corespunztoare valorilor lui 2X, Y2, X sunt
aceleai cu cele corespunztoare lui X i respectiv Y. Avem:
0 2 4 0 1 2 1 4
2 X : , X : , Y :
2
1 / 2 1 / 4 1 / 4 1 / 2 1/ 4 1 / 4 1 / 2 1 / 2
.
112 Elemente de teoria probabilitilor i statistic matematic
1 1 1
P (Y 2 1) P(Y 1 Y 1) P (Y 1) P (Y 1) .
3 6 2
Deoarece X i Y sunt independente avem c pij = piqj,1 i, j 3 .
1 1 1
De exemplu p12 P( X 0, Y 1) P( X 0) P(Y 1) .
2 6 12
Obinem
0 1 0 1 02 11 11 1 2 2 1 2 1 2 2
X Y :
1 / 6 1 / 12 1/ 4 1 / 12 1 / 24 1/ 8 1 / 12 1 / 24 1 / 8
adic
1 0 1 2 3 4
X Y : .
1 / 6 1 / 12 1 / 6 7 / 24 1 / 6 1 / 8
Analog
de unde
2 1 0 1 2 4
X Y : .
1 / 12 1 / 12 1 / 2 1 / 24 1 / 6 1 / 8
Cum 2X i 3Y au repartiiile
0 2 4 3 3 6
2 X : , 3Y : ,
1 / 2 1 / 4 1 / 4 1 / 3 1 / 6 1 / 2
0 1 2
max( X , Y ) : .
1 / 6 5 / 24 5 / 8
1 0 1
X Y : ,
1 / 6 1 / 24 1 / 12 1 / 4 1 / 8 1 / 3
X 1 0 1
: .
Y 1 / 24 1 / 6 1 / 12 1 / 4 1 / 8 1 / 3
114 Elemente de teoria probabilitilor i statistic matematic
1 2 3 3 3
11.Fie variabila aleatoare discret X : .
p p2 p p2 p 2
a)S se determine p.
b)S se calculeze funcia de repartiie a lui X.
c)S se calculeze probabilitile:
P( X 1), P ( X 3), P( X 4), P (1,5 X 3,2), P ( X 2,1),
P(3,1 X X 2,8), P(1,5 X 3 2 X 4).
Rezolvare:
a)Trebuie s avem p + p2 + p + p2 + p2 = 1 i p 0. Rezult
3p2 + 2p = 1 i p 0, adic p = 1/3.
b)Cum F(x) = P(X<x) rezult c F(x) = 0 dac x 1,
F(x) = p = 1/3 dac x (1,2] ,
F(x) = P(X=1) + P(X=2) = p + p2 = 4/9 dac x ( 2,3] ,
F(x) = P(X=1) + P(X=2) + P(X=3) = p + p 2 + p = 7/9 dac x (3,4]
,
F(x) = P(X=1) + P(X=2) + P(X=3) + P(X=4) = p + p 2 + p + p2 = 8/9
dac x (4,5] i F(x) = 1 dac x > 5 .
Deci :
Elemente de teoria probabilitilor 115
0, x 1;
1
3 , 1 x 2;
4
, 2 x 3;
F ( x) 9
7
, 3 x 4;
9
8 , 4 x 5;
9
1, x 5.
c)Avem
P(X<1) = P() = 0, P(X<3)=P(X=1)+P(X=2)=4/9,
P(X>4)=P(X=5)=1/9, P(1,5<X<3,2)=P(X=2)+P(X=3)=4/9,
P(X2,1)=P(X=3)+P(X=4)+P(X=5)=5/9,
P(3,1 X , X 2,8) P( X 3,1) 2 p2 2
P (3,1 X X 2,8)
P ( X 2,8) P( X 2,8) p 2 p 2
5
Rezolvare:
1/ 2 2 2x
xdx a
Avem ( x)dx 1, de unde dx 1 sau
0 1/ 2
3
x2 2
x2 1/ 2
ax 1/ 2 1 . Rezult a = 4/3 i deci
3
0
116 Elemente de teoria probabilitilor i statistic matematic
0, x0 0, x0
2
x [0,1 / 2]
x
2
x , x [0,1 / 2] x ,
F ( x) (t )dt 1 x 4 2t 4x x 1
2
4 1 / 2 3 dt , x (1 / 2,2] , x (1 / 2,2]
3
1, x2 1, x2
ntruct F este continu vom avea F(x) = F(x+0) , x , deci
1 1 1
F ( M e ( X )) i F ( M e ( X )) , adic F ( M e ( X )) .
2 2 2
4x x2 1 1 3
Aceasta se realizeaz pentru , de unde x 2 (1 / 2,2] .
3 2 2
3
Aadar M e ( X ) 2 c2 . Se observ c F(1/2)=1/4 deci
2
1
c1 c3
2
4x x2 1 3 3
rezult din F(x)=3/4, adic , de unde c3 2 .
3 4 2
1
x=1/2 este punct de maxim (singurul), prin urmare M o ( X ) .
2
13.S se determine variabilele aleatoare independente
x x 1 x2 x 3 y 2y 3y
X : i Y : ,
p 2p 3p 4p q q2 q 2
0 1 2 3 4 8 12
X : 1 1 3 2 , Y : 1 1 1 .
10 5 10 5 2 4 4
Folosind proprietile mediei avem
M(2X+3Y)=M(2X)+M(3Y)=2M(X)+3M(Y)=22+37=25.
Pentru calcularea dispersiilor avem nevoie s calculm mediile lui
X2 i Y2. Acestea au tablourile de repartiie
0 1 4 9 16 64 144
X 2 : 1 1 3 2 , Y2 : 1 1 1 , astfel c
10 5 10 5 2 4 4
1 1 3 2
M (X 2) 0 1 4 9 5 i
10 5 10 5
1 1 1
M (Y 2 ) 16 64 144 60 . Atunci
2 4 4
D2(X)=M(X2)-M(X)2=5-4=1 i D2(Y)=M(Y2)-M(Y)2=60-49=11.
Cum X i Y sunt independente, rezult c i 2X i 3Y sunt
independente i avem
D2(2X+3Y)=D2(2X)+D2(3Y)=4D2(X)+9D2(Y)=41+911=103.
14.S se determine variabilele aleatoare X i Y ale cror repartiii
sunt date incomplet n tabelul de mai jos, tiind c M(X)=17 i D 2(Y)=1. S
se calculeze apoi M(XY) i D2(X-Y).
118 Elemente de teoria probabilitilor i statistic matematic
X\Y -b 0 b pi
a 1/5 1/10
a2 2/5 3/5
qj 1/5
Rezolvare:
3 2
Deoarece p1+p2=1 rezult c p1 1 . Mai departe
5 5
1 1 2 1
p11+p12+p13=p1, adic p13 , deci p13 . Cum
5 10 5 10
1 1 1
p13+p23=q3 rezult c p23 . Dar p21+p22+p23=p2, adic
5 10 10
3 2 1 1 3
p21 . Din p11+p21=q1 i p22+p12=q2, rezult c q1 i
5 5 10 10 10
1
q2 . Obinem astfel
2
a a2 b 0 b
X : 2 3 , Y : 3 1 1 . Astfel M ( X ) a 2 a 2 3 17 ,
5 5
5 5 10 2 5
adic 3a2+2a-85=0, de unde a1=5, a2=-17/3. Deoarece
3b 1 b b
M (Y ) 0 i
10 2 5 10
3 1 1 b2
M (Y 2 ) (b) 2 02 b 2 , rezult c
10 2 5 2
b2 b2 49b 2
D 2 (Y ) M (Y 2 ) M (Y ) 2 . Din ipotez
2 100 100
100 10
D2(Y)=1, astfel c b 2 , adic b . Din tabloul repartiiei comune
49 7
(pij) avem
Elemente de teoria probabilitilor 119
a 2b ab 0 ab a 2b
XY : 1 1 1 1 1 i
10 5 2 10 10
a b a2 b a a2 a b a2 b
X Y : 1 1 1 2 1 1
10 10 10 5 5 10
a 2b ab ab a 2b ab a
Astfel M ( XY ) .
10 5 10 10 10 7
Dac a=5 M(XY)=-5/7, iar dac a=-17/3 M(XY)=17/21. Pentru
calcularea dispersiei lui X-Y, avem nevoie de:
a b a 2 b a 2 a 2 a b a 2 b 6a 2 4a b
M (X Y)
10 10 10 5 5 10 10
( a b ) 2 ( a 2 b) 2 a 2 2a 4 ( a b) 2 ( a 2 b) 2
M [( X Y ) 2 ]
10 10 10 5 5 10
6a 4 4a 2 2ab 5b 2
10
120 18985
Pentru a=5, b=10/7 avem M(X-Y)= i M [( X Y ) 2 ] ,
7 49
18985 14400 4585
deci D 2 ( X Y ) .
49 49 49
15.S se determine parametrii care apar n repartiiile urmtoare i s
se calculeze apoi M(X) i D 2(X), X fiind o variabil aleatoare, avnd
repartiia respectiv:
n
a) X : 1 n , n N , q 0 ;
q
4
x
b) X : , x [0,1], a 0 ;
a ( x 2 x)
2
120 Elemente de teoria probabilitilor i statistic matematic
a 2 x 3 , x [0,1]
x 1
c) X : , ( x) ax, x (1,2]
( x) 2
0, altfel.
Rezolvare:
1
a)Din condiia 4q
n 0
n
1 rezult c
1 1 1 3
1 1 q q
4 1 q 4 4
Atunci
'
1 1 1 1
M ( X ) n q n q n q n1 q ( q n )' q q n
n 0 4 4 n 0 4 n 0 4 n 0
'
1 1 1 1 1 3 1
q q 3
4 1 q 4 (1 q ) 2
4 4 1
16
' '
1 n 1 1 1
M ( X 2 ) n2 q q n(q n )' q nq n q nq n
n0 4 4 n 0 4 n 0 4 n 0
'
1 1 1 2
q q 24.
4 (1 q ) 2 4 (1 q ) 3
Astfel D2(X)=M(X2)-M(X)2=24-9=15.
1
a( x 2 x) dx 1 rezult c
2
b) Din condiia 0
x3 4 3
a x 2 10 1 a 1 a . Atunci
3 3 4
1 1 3 2 3 x 4 2 x 3 1 11
M ( X ) x ( x)dx x ( x 2 x)dx 0 ,
0 0 4 4 4 3 16
1 1 3 2 3 x 5 2 x 4 1 21
M ( X 2 ) x 2 ( x ) dx x 2 ( x 2 x )dx 0 .
0 0 4 4 5 4 40
Elemente de teoria probabilitilor 121
2
21 11 67
Astfel D 2 ( X ) M ( X 2 ) M ( X ) 2 .
40 16 1280
2
c)Din condiia 0
( x )dx 1 rezult c
1 2 ax x4 x2 2 a 2 3a a 1
a 2 x 3 dx dx 1 a 2 a 1
1
0 1 1 Cum
0 1 2 4 4 4 4 a 4
2 1 2 x x6 x4 49
M (X 2) x 2 ( x)dx x 2 x 3 dx x 2 dx
1 2
0 0 1 2 6
0
8
1
24
,
2
49 41 313
D 2 ( X ) M ( X 2 ) M ( X )2 .
24 30 1800
dx dy 1
Rezult c a
1 x 2 1 y 2
1 a arctgx arctgy 1 a .
2
1 x y dudv 1 x du y dv
F ( x, y )
2
(1 u )(1 v )
2 2
2
1 u 2 1 v 2
Atunci
1 1 1 1
arctgx arctgy
2 2
122 Elemente de teoria probabilitilor i statistic matematic
1
dudv 1 1
P(( X , Y ) D)
(1 u 2 )(1 v 2 )
2 0 0
b)
1
F (1,1) F (1,0) F (0,1) F (0,0)
16
17.Fie vectorul aleator (X,Y) cu densitatea de probabilitate
ax 2 y, ( x, y ) [0,1] [0,2]
( x, y )
0, altfel.
a) S se determine constanta a.
b) S se calculeze funcia de repartiie F(x,y) i funciile marginale
FX(x) i FY(y).
Rezolvare:
1 2 1 2
a) Avem 0 0
( x, y ) dxdy 1 , adic a x 2 dx ydy 1 ,
0 0
2a 3
rezult c 1 de unde a .
3 2
x y
b) Avem F ( x, y ) ( x, y )dxdy .
0, x 0sauy 0
x3 y 2
, ( x, y ) [0,1] [0,2]
4
Astfel F ( x, y ) x 3 , x [0,1], y 2
y 2
, x 1, y [0,2]
4
1, x 1, y 2
Funciile de repartiie marginale sunt
0, x0
FX ( x ) F ( x, ) x 3 , x [0,1]
1, x 1
0, y0
y2
FY ( y ) F (, y ) , y [0,2]
4
1,
y2
S se calculeze:
a) P(X<1,Y<1), P(X+Y<1), P(X+Y2), P(X1/Y1), P(X<2Y),
P(X=n) ;
b) Funcia de repartiie F(x,y) i funciile de repartiie marginale
FX(x), FY(y);
c) Densitile de repartiie marginale X(x), Y(y);
d) Momentele obinuite de ordin (k,s) ;
e) Corelaia variabilelor X i Y.
Rezolvare :
1 1
a) P ( X 1, Y 1) ( x, y )dxdy
124 Elemente de teoria probabilitilor i statistic matematic
1 1
e
x y
dxdy ( e x ) 10 (e y ) 10 (1 e 1 ) 2
0 0
1 1 x 1
( x, y )dxdy e x y dxdy e
x
P( X Y 1) (e y ) 10 x dx
0 0 0
x y 1
1
(e
x
e 1 ) dx ( e x ) 10 e 1 1 2e 1 ,
0
P( X Y 2) 1 P( X Y 2) 1 ( x, y)dxdy
x y2
2 2 x 2 2
1 e x y dxdy 1 e x (e y ) 2 x
0 dx 1 (e x e 2 )dx 3e 2
0 0 0 0
P( X 1, Y 1)
P( X 1 / Y 1)
P(Y 1)
2
e x y dxdy
1 e dx
2
x x
P( X 1, Y 1) ( e ) 1 e 2
1 1
e x y dxdy e x
P(Y 1) 0 ( e y ) 1 e 1
0 1
P ( X 1, Y 1) e 1
x
e dxdy e x e y dydx
x y
P ( X 2Y ) 2
e x (e y ) 0x / 2 dx
0 0 0
0 x 2 y
3 x
2
3 x
2 1
(e x e 2
) dx e x e 2 0 1 , P(X=Y)=0.
0
3 3 3
x y
b) Avem F ( x, y ) (u , v) dudv .
.
Funciile de repartiie marginale sunt
FX ( x) F ( x, ) 1 e x i FY ( y ) F (, y ) 1 e y .
Elemente de teoria probabilitilor 125
0
x k e x dx
0
y s e y dy ( k 1)( s 1) k! s! ,
unde ( p ) 0
x p 1e x dx este funcia gama a lui Euler i are
proprietatea c ( p 1) p! pentru p N .
e) Avem
cov( X , Y ) M ( XY ) M ( X ) M (Y ) 11 xe x dx ye y dy
0 0
1 ( 2) 2 1 1 0 .
Rezolvare:
Pe baza formulelor corespunztoare, deducem imediat:
2 1 2 1 3 1 1 2
M ( X ) 1 0 1 0 , M (Y ) 1 0 1 2 ,
5 5 5 4 10 4 5 5
2 1 2 4
M ( X 2 ) (1) 2 0 2 12 ,
5 5 5 5
1 3 1 1 13
M (Y 2 ) (1) 2 0 2 12 2 2 ,
4 10 4 5 10
126 Elemente de teoria probabilitilor i statistic matematic
4
D 2 ( X ) M ( X 2 ) M ( X )2 ,
5
13 4 57
D 2 (Y ) M (Y 2 ) M (Y ) 2
10 25 50
1 1 1 1
M ( XY ) ( 1) ( 1) ( 1) 0 ( 1) 1 ( 1) 2 0 0 (1)
10 5 10 20
1 1 1 1 1 3 1
0 0 0 0 1 02 1 ( 1) 1 0 1 1 1 2
10 20 10 10 20 20 4
1
cov( X , Y ) M ( XY ) M ( X ) M (Y ) ,
4
cov( X , Y ) 0,25
r( X ,Y )
D 2 ( X ) D 2 (Y ) 2 57 .
5 50
Ecuaiile dreptelor de regresie sunt :
2 2
y y
x0 5 , 5 0,25 x 0 .
0,25
4 57 57 4
5 50 50 5
20.S se determine funcia caracteristic i funcia generatoare de
momente i apoi s se calculeze, pornind de la acestea, momentele 1 i 2
, pentru urmtoarele variabile aleatoare :
0 1 2
a) X : 1 1 1 ;
2 4 4
x
b) X : x , x 0 .
e
Rezolvare :
a) Avem
1 1 1 2 e it e 2it
X (t ) e 0it e1it e 2it i
2 4 4 4
Elemente de teoria probabilitilor 127
1 0t 1 1t 1 2t 2 e t e 2t
G X (t ) e e e .
2 4 4 4
Primele dou derivate ale acestor funcii sunt :
i it
X' (t ) (e 2e 2it ) ,
4
1
"X (t ) (e it 4e 2 it
4
,
1 t
G X' (t ) (e 2e 2t ) ,
4
1
"
GX (t ) ( e t 4e 2 t )
4
.
Obinem
3i 5
X' (0) , "X (0) ,
4 4
3 " 5
G (0) , GX (0)
'
X
, de unde
4 4
X' (0) 3
1 ( X ) M ( X ) G X' (0) i
i 4
128 Elemente de teoria probabilitilor i statistic matematic
"X (0) 5
2 ( X ) M ( X ) 2 GX" (0) 2 .
i 4
b) X (t ) 0 e itx e x dx
0
(cos tx i sin tx ) e x dx
0
cos tx e x dx i
0
sin tx e x dx A iB
A 0
cos tx e x dx 0
cos tx ( e x )' dx
cos tx e x
0 t sin tx e x dx 1 tB ,
0
sin tx ( e x ) dx sin tx e x
B 0 t cos tx e x dx tA .
0 0
1 t
Obinem A = 1 - t2A , adic A = 2 i B = .
1 t 1 t2
1 it
Astfel X (t ) .
1 t2
e x ( t 1) 1
Apoi G X (t ) 0 e tx e x dx 0 e x ( t 1) dx
0 ,t 1
t 1 1 t
.
Primele dou derivate sunt
i 2t it 2
X' (t ) ,
(1 t 2 ) 4
6it 3
14t 2
"
X (t )
(1
,
Elemente de teoria probabilitilor 129
1
G X' (t ) ,
(1 t ) 2
2
"
GX (t ) .
(1 t ) 3
Obinem
X' (0)
1( X ) M ( X ) G X' (0) 1 i
i
"X (0)
2(X ) M (X ) G "
X (0) 2
2
.
i2
A sin x, x 0,
probabilitate: x , unde A este o constant real. S se
0, x 0,
determine:
a) constanta real A;
b) funcia de repartiie corespunztoare;
c) probabilitile P( X ) i P(0X X ).
6 2 2 4
18. Variabila aleatoare X urmeaz legea normal N(0,1). S se
determine densitile de probabilitate respectiv pentru variabilele aleatoare Y
= X3 i Z = X.
19. O persoan dorete s deschid un lact i are n chei, dintre care
numai una se potrivete. Pentru aceasta, ncearc la ntmplare deschiderea
lactului cu aceste chei. Fie X numrul de ncercri pentru deschiderea
lactului. S se scrie distribuia variabilei aleatoare X, iar apoi s se calculeze
valoarea medie i dispersia variabilei aleatoare X, dac:
a) cheile ncercate se pun mpreun cu celelalte;
b) cheile ncercate se nltur.
134 Elemente de teoria probabilitilor i statistic matematic
0, altfel
a) constanta real A;
b) densitile de probabilitate X, Y pentru variabilele aleatoare
X, Y;
1 1 1
c) probabilitile P(0 X ,0Y ) i P(X Y
2 2 2
1
).
2
21. La patru uniti alimentare din ora se poate gsi zilnic pine
proaspt cu probabilitile p1=0.8, p2=0.9, p3=0.95 i respectiv p4=0.85. Fie
X numrul unitilor alimentare din cele patru la care se gsete pine
proaspt ntr-o zi fixat. S se determine:
a) distribuia variabilei aleatoare X;
b) valoarea medie, dispersia, abaterea medie ptratic, mediana i
modul variabilei aleatoare X.
22. Fie (X,Y) coordonatele unui punct luminos ce reprezint o int
pe un ecran radar circular i care urmeaz legea uniform pe domeniul
Elemente de teoria probabilitilor 135
x m x
( x) m! e , daca x0 .
0, daca x 0
26. Probabilitatea ca o persoan s gseasc loc la un hotel este p =
0.8. n decursul unei luni de zile, la hotelul respectiv s-au prezentat 4000 de
persoane. Fie X numrul persoanelor care au gsit loc la hotel din totalul de
4000. S se determine probabilitatea ca:
a) numrul persoanelor care au gsit loc la hotel s fie cuprins
ntre 3000 i 3400;
b) numrul persoanelor care au gsit loc la hotel s nu
depeasc 3000;
c) numrul persoanelor care nu au gsit loc la hotel s fie mai
mic dect 500.
136 Elemente de teoria probabilitilor i statistic matematic
ln n ln n
care au distribuiile X : 1 1 urmeaz legea numerelor mari.
2 2
31. Fie variabilele aleatoare independente:
0 1 2 1 0 1 2
X : i Y :
1 8
1 6 12 1 3 1 2 14 1 8
S determine variabilele aleatoare: X+Y; X-Y; XY; X2; Y2; X3; Y3; 2X; 3Y;
2X+3Y; 3Y-2X; X .
Elemente de teoria probabilitilor 137
2 1 0 1 2 0 1 2 3 4 5
X : 1 1 2 1 1 i Y : 1 1 1 1 1 1
10 5 5 10 5 12 12 2 6 12 12
a) Calculai M(X), M(X2), D2(X), M(Y), M(Y2) i D2(Y);
b) Care dintre urmtoarele mrimi pot fi calculate i care nu i de
ce?
M(2X+3Y); D2(2X+3Y); M(X2+Y); D2(X2+Y);
M(X2+Y2); D2(X2+Y2); M(XY).
c) Calculai mrimile de la punctul b) pentru care rspunsul este
favorabil.
34. S se determine, n fiecare caz, variabila aleatoare X i apoi s se
calculeze M(X) i D2(X).
138 Elemente de teoria probabilitilor i statistic matematic
x
a) X : x , xN, p > 0, q > 0
pq
x
b) X : ax , xN, a > 0, b > 0
b
x!
x
c) X : , x[0,1], aR
ax
x
d) X : , x[0,1], aR
a (3 x 2 x)
2
x
e) X : a x , aR, xR
e
x
f) X : , xR,
( x)
ax , x 0,1
a 2 x 2
( x) , x 1,2 , aR
2
0 , n rest
0 1 0 1 2
X: 1 2 i Y : 1 1 1
3 3 6 2 3
1
Dac P( X 0, Y 0) i P( X 1, Y 1) , s se determine repartiia
3
comun a vectorului aleatoriu (X,Y) n funcie de R . Calculai apoi
coeficientul de corelaie r ( X , Y ) i precizai dac exist valori ale lui
pentru care X i Y s fie independente.
36. Fie ( X , Y ) un vector aleatoriu continuu cu densitatea de
repartiie
Elemente de teoria probabilitilor 139
a ( xy 2 x 2 y ) , ( x, y ) 1,2 2,3
( X , Y ) , a > 0
0 , n rest
a) Determinai densitatea de repartiie ( X , Y ) i densitile de
repartiie marginale corespunztoare X (x) i Y ( y ) ;
b) Calculai coeficientul de corelaie r ( X , Y ) .
37. Calculai funcia caracteristic i funcia generatoare de
momente pentru fiecare dintre variabilele aleatoare:
1 2 3
a) X : 1 1 1
6 3 2
2 1 0 1 2
b) X : 1 1 2 1 1
10 5 5 5 10
x
c) X : 2 , x 0,1
3x
x
d) X : x , x 0
xe
i apoi verificai dac momentele obinute pe cale direct coincid cu cele
obinute cu ajutorul acestor funcii.
38. Verificai dac funciile urmtoare definesc repartiii ale unor
variabile aleatoare discrete i apoi calculai M(X) i D 2(X) pentru fiecare
dintre ele.
1 (ln ) k
a) P (k ) , k N , 1
k!
1
1
b) P(k ) e , k N , 0
k k!
c) P ( k ) k (1 )1 k , k 0,1 ,0 1
140 Elemente de teoria probabilitilor i statistic matematic